评价问题本质是用科学指标判断模型好不好用，核心是"看模型预测结果和真实情况差多少"，帮你选出效果最优的模型。
- 核心逻辑：先分数据，再看指标拆分数据：不能用训练模型的数据来评价（相当于考试偷看答案），要把数据分成两部分------训练集（教模型学习）和测试集（考模型效果）。
选对指标：根据任务类型挑指标，不同任务"好模型"的标准不同，比如：
-
分类任务（如判断邮件是否为垃圾邮件）：看准确率（对的占比）、召回率（漏判的少不少）。
-
回归任务（如预测明天的气温）：看MAE（平均绝对误差，误差越小越好）。
- 小白必避的2个坑
-
坑1：指标只看一个。比如只看准确率，可能忽略"少数重要样本全错"的问题（如癌症检测漏诊）。
-
坑2：测试集"污染"。如果测试集的数据提前被模型见过，评价结果会虚高，毫无参考价值。@浙大疏锦行