机器学习笔记七-模型评估指标

原创

于 2024-08-20 17:06:30 发布 · 1k 阅读

CC 4.0 BY-SA版权

文章标签：

模型评估指标是用于衡量机器学习模型性能的标准，选择合适的指标能够帮助我们理解模型的表现，特别是在分类、回归或聚类任务中。下面是一些常见的模型评估指标及其解释：

准确率（Accuracy）:
- 公式： $Accuracy=TP+TNTP+TN+FP+FN\text{Accuracy} = \frac{\text{TP} + \text{TN}}{\text{TP} + \text{TN} + \text{FP} + \text{FN}}$
- 描述：准确率是模型预测正确的样本数占总样本数的比例。适用于数据类别平衡的情况。
- 缺点：在类别不平衡时，准确率可能会导致误导性结果。
精确率（Precision）:
- 公式： $Precision=TPTP+FP\text{Precision} = \frac{\text{TP}}{\text{TP} + \text{FP}}$
- 描述：精确率是指模型预测为正类的样本中，实际为正类的比例。适用于关注假阳性（FP）成本较高的场景。
召回率（Recall）:
- 公式： $Recall=TPTP+FN\text{Recall} = \frac{\text{TP}}{\text{TP} + \text{FN}}$
- 描述：召回率是指实际为正类的样本中，被模型正确预测为正类的比例。适用于关注假阴性（FN）成本较高的场景。
F1-Score:
- 公式： $F1=2×Precision×RecallPrecision+Recall\text{F1} = 2 \times \frac{\text{Precision} \times \text{Recall}}{\text{Precision} + \text{Recall}}$