分类回归任务评估指标

前置知识

混淆矩阵（Confusion Matrix）

定义：展示分类模型预测结果的矩阵

	预测正类	预测负类
实际正类	TP	FN
实际负类	FP	TN

分类任务

准确率

定义：预测正确的样本数占总样本数的比例

公式：Accuracy $=\frac{TP+TN}{TP+TN+FP+FN}$

精确率

定义：预测为正类的样本中，实际为正类的比例

公式：Precision $=\frac{TP}{TP+FP}$

召回率

定义：实际为正类的样本中，预测为正类的比例

公式：Recall $=\frac{TP}{TP+FN}$

F1分数

定义：精确率和召回率的调和平均数

公式：F1 $=2\ast \frac{Precision\ast Recall}{Precision+Recall}$

ROC-AOC

• ROC曲线 ：以假正率（FPR）为横轴，真正率（TPR）为纵轴的曲线图。其中TPR即召回率，FPR即实际为负类的样本中，预测为正类的比例。
• AUC值 ：曲线下面积（Area Under Curve），用于衡量模型整体区分能力。AUC=0.5：随机猜测；AUC=1：完美分类器

回归任务

均方误差

公式：MSE $=\frac{1}{n}\sum _{i=1}^n(y_i-{\hat{y}}_i{)}^2$

均方根误差

公式：RMSE $=\sqrt{\frac{1}{n}\sum _{i=1}^n(y_i-{\hat{y}}_i{)}^2}$