本文介绍了机器学习模型评估的重要指标，包括准确率、错误率、查准率、查全率及其平衡点F1度量。详细解释了ROC曲线和AUC的概念，强调在类不平衡数据集中的重要性，并提到了代价敏感错误与代价曲线的概念，用于处理不同类型错误的不同代价情况。
学习内容
- 评估方法
- 评估指标
- 比较检验
二. 评估指标
1. 评价指标定义
所谓评估指标就是衡量模型泛化能力好坏的评估标准，反映了任务需求；
使用不同的评估指标值往往会导致不同的评估结果。
下图是监督学习的一般评估指标：
2. 分类任务的评价指标
在分类测试任务中，给定测试样例集，评估分类模型的性能就是把对每一个待测样本的分类结果和他的真实标记比较。
2.1 准确率和错误率（最常用）
- 准确率就是分对样本占测试样本总数的比例；准确率也称精度。
- 错误率就是分错样本占测试样本总数的比例。
2.2 查准率和查全率
由于准确率和错误率将每个类看的同等重要，因此不适合用来分析类不平衡数据集。在类不平衡数据集中，正确分类稀
最低0.47元/天 解锁文章
扫一扫
3148
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
