机器学习指标：准确率、精准率、召回率、F1、ROC曲线、AUC曲线

机器学习评估指标大全

分类问题（单项）	分类问题（综合）	回归问题
准确率 - Accuracy	F1分数	MAE
精确率 - Precision	ROC曲线	MSE
召回率 - Recall	AUC曲线

分类问题评估指标：

1. 准确率 — Accuracy
2. 精确率（差准率）- Precision
3. 召回率（查全率）- Recall
4. F1分数
5. ROC曲线
6. AUC曲线

回归问题评估指标：

1. 平均绝对误差（MAE)
2. MSE 均方误差
3. R平方（R²）

分类评估指标详解

准确率 — Accuracy

预测正确的结果占总样本的百分比，公式如下：

准确率 =(TP+TN)/(TP+TN+FP+FN)

虽然准确率可以判断总的正确率，但是在样本不平衡 的情况下，并不能作为很好的指标来衡量结果。举个简单的例子，比如在一个总样本中，正样本占 90%，负样本占 10%，样本是严重不平衡的。对于这种情况，我们只需要将全部样本预测为正样本即可得到 90% 的高准确率，但实际上我们并没有很用心的分类，只是随便无脑一分而已。这就说明了：由于样本不平衡的问题，导致了得到的高准确率结果含有很大的水分。即如果样本不平衡，准确率就会失效。

精确率（差准率）- Precision

所有被预测为正的样本中实际为正的样本的概率，公式如下：

精准率 =TP/(TP+FP)

精准率代表对正样本结果中的预测准确程度，而准确率则代表整体的预测准确程度，既包括正样本，也包括负样本。

召回率（查全率）- Recall

实际为正的样本中被预测为正样本的概率，其公式如下：

召回率=TP/(TP+FN)