5、机器学习中误差度量与结果评估详解

机器学习中误差度量与结果评估详解

在机器学习领域，准确评估模型的性能至关重要。下面将详细介绍多种误差度量方法以及如何评估模型的分类结果。

1. F - 分数（F - Score）

F - 分数是一类重要的误差度量指标，其一般定义为：
[F_{\beta}=\frac{(1 + \beta^{2})\text{PPV} \times \text{sensitivity}}{\beta^{2}\text{PPV} + \text{sensitivity}}]
其中，参数 $\beta$ 是一个加权参数，取值范围在 $[0, \infty]$ 区间。$\beta$ 参数允许我们对正预测值（PPV）和灵敏度（sensitivity）的重要性进行加权。当 $\beta = 0$ 时，F - 分数对应于 PPV；当 $\beta \to \infty$ 时，对应于灵敏度；$\beta$ 取中间值时，可以得到“平均”的 F - 分数值。

当 $\beta = 1$ 时，得到 F1 - 分数：
[F_{1}=\frac{2\text{PPV} \times \text{sensitivity}}{\text{PPV} + \text{sensitivity}} \in [0, 1]]
F1 - 分数是 PPV 和灵敏度的调和均值，调和均值定义为：
[\frac{1}{F_{1}}=\frac{1}{n}(\frac{1}{\text{PPV}} + \frac{1}{\text{sensitivity}})]
F1 - 分数使用了四个基本误差中的三个，即真阳性（TP）、假阳性（FP）和假阴性（FN）。

2. 错误发