5、智能系统中的人类反馈自适应学习与评估

智能系统中的人类反馈自适应学习与评估

1. 引言

在机器学习（ML）领域，未来的ML系统需要具备准确性、可解释性和与人类用户交互的能力。本文将围绕ML模型的性能评估、特征分析、与人类专家的协同以及评估指标等方面展开探讨。

2. ML模型性能评估

通过混淆矩阵计算了多个学习算法的性能评估指标，结果如下表所示：
| Model | Acc (Trng) | Acc (Test) | Se (Trng) | Se (Test) | Sp (Trng) | Sp (Test) | Precision (Trng) | Precision (Test) | F1 Score (Trng) | F1 Score (Test) | AUC (Trng) | AUC (Test) |
| — | — | — | — | — | — | — | — | — | — | — | — | — |
| LR | 0.818 | 0.81 | 0.654 | 0.633 | 0.911 | 0.91 | 0.806 | 0.8 | 0.722 | 0.707 | 0.862 | 0.861 |
| NB | 0.796 | 0.79 | 0.672 | 0.657 | 0.867 | 0.866 | 0.742 | 0.735 | 0.705 | 0.694 | 0.849 | 0.845 |
| CART | 0.802 | 0.789 | 0.66 | 0.627 | 0.883 | 0.88 | 0.762 | 0.748 | 0.707 | 0.682 | 0.793 | 0.78 |
| RF | 0.832 | 0.816 | 0