评估指标总结

本文详细解析了机器学习中常见的评估指标,包括分类问题的混淆矩阵、准确率、精度、召回率、F1-score、ROC及AUC,以及回归问题的平均绝对误差、均方误差和R平方值。这些指标帮助我们理解模型的性能和适用场景。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

  • 分类问题

混淆矩阵

真实情况                          预测情况
                1            0
       1                TP           FN
       0                FP           TN

 

准确率(Accuracy)

accuracy = (TP+TN)/(TP+FN+FP+TN)

精度(Precision)

precision = TP/(TP+FP)

召回率(Recall)

recall = TP/(TP+FN)

F1-score

F1=2*precision*recall/(precision+recall)

ROC

横坐标:FPR=FP/(FP+TN)

纵坐标:TPR=TP(TP+FN)=Recall

AUC

ROC曲线的下面积,值越大,则分类器性能越好;如果小于0.5,则分类器性能不如随机猜测。AUC的物理意义是:假设分类器的输出是样本属于正类的概率,则AUC的物理意义为,任取一样本,事件正样本的概率大于负样本概率所发生的概率。

  • 回归问题

平均绝对误差MAE

1240

均方误差

1240

R平方值

表征回归方程在多大程度上解释了因变量的变化,或者说方程对观测值的拟合程度如何

1240

参考:https://blog.youkuaiyun.com/u010579901/article/details/81359784

 

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值