24、模型评估与预测全解析

模型评估与预测全解析

1. 模型评估指标

在机器学习中，评估模型的性能至关重要。不同的任务，如分类、回归和目标检测，有各自适用的评估指标。

1.1 分类指标

• 召回率（Recall） ：计算公式为 $recall = \frac{1}{n} \sum_{i = 1}^{n} \frac{Y_i \cap Z_i}{Z_i}$。
• F1 分数（F1 Score） ：它是精确率和召回率的调和平均值，公式为 $F1 = \frac{1}{n} \sum_{i = 1}^{n} \frac{2 Y_i \cap Z_i}{Y_i + Z_i}$。
• AUC（Area Under the Curve） ：可以通过宏版本计算 ROC 曲线或精确率 - 召回率曲线的 AUC，即先计算每个类别的 AUC，然后求平均值。

1.2 回归指标

对于图像回归问题，以下指标可用于评估模型在训练数据之外的性能，且目标是尽量减小这些指标的值。
| 指标名称 | 计算公式 | 特点 |
| ---- | ---- | ---- |
| 均方误差（MSE） | $MSE = \frac{1}{n} \sum_{i = 1}^{n} (Y_i - \hat{Y} i)^2$ | 是预测值和实际连续标签之间平方误差的平均值，是无偏估计，但对异常值敏感。 |
| 均方根误差（RMSE） | $RMSE = \sqrt{\frac{1}{n}