【ML】机器学习模型的 10 个评估指标

  🔎大家好，我是Sonhhxg_柒，希望你看完之后，能对你有所帮助，不足请指正！共同学习交流🔎

📝个人主页－Sonhhxg_柒的博客_优快云博客 📃

🎁欢迎各位→点赞👍 + 收藏⭐️ + 留言📝​

📣系列专栏 - 机器学习【ML】 自然语言处理【NLP】  深度学习【DL】

​​

 🖍foreword

✔说明⇢本人讲解主要包括Python、机器学习（ML）、深度学习（DL）、自然语言处理（NLP）等内容。

如果你对这个系列感兴趣的话，可以关注订阅哟👋

文章目录

混淆矩阵

分类准确率

精密度/特异性

召回/灵敏度

F1分数

AUC-ROC

均方根误差 (RMSE)

交叉熵损失 

基尼系数

杰卡分数

---

根据这些评估指标检查机器学习模型的准确性和性能。

构建机器学习模型不是一次性的。您可能不知道构建的模型是否有效，或者如果有效，它是否按预期工作。构建此类模型的工作原理是从指标中获取反馈，实施正确的改进，然后重建以达到理想的准确度。 

然而，选择正确的指标来评估模型的性能和准确性本身就是一项任务。因此，在完成预测、分类或回归模型后，这里有一个评估指标列表，可以帮助您测试模型的准确性和具体性。 

混淆矩阵

简单来说，它是一个用于二元分类的 2×2 大小的矩阵，一个轴由实际值组成，另一个轴由预测值组成。矩阵的大小可以根据预测的类别数量增加。 

True Positive 是模型正确的阳性预测。

True Negative是模型正确的负预测。

False Positive是模型对阳性的错误预测。

False Negative是模型对阴性的错误预测。 

使用这些值，我们可以通过一个简单的方程式计算每个预测类别的比率。

分类准确率

最简单的指标，它是通过将正确预测的数量除以预测总数，再乘以 100来计算的。 

精密度/特异性

如果类分布不平衡，分类准确率就不是模型性能的最佳指标。为了解决特定于类别的问题，我们需要一个精度指标，该指标由真阳性除以真阳性和假阳性之和计算得出。

召回/灵敏度

召回率是模型正确预测的一类样本的分数。它的计算方法是真阳性除以真阳性和假阴性之和。

F1分数

现在我们知道分类问题的准确率和召回率是什么，同时计算两者——F1，两者的调和平均值，它在不平衡数据集上也表现良好。 

如上面的等式所示，F1 分数对召回率和准确率都给予了同样的重视。如果我们想给其中一个赋予更多的权重，可以通过将一个值附加到召回率或精度上来计算 F1 分数，具体取决于该值的重要性倍数。在下面的等式中，β 是权重。

AUC-ROC

曲线下面积 (AUC) 与响应者比例的变化无关。当我们得到一个混淆矩阵，它为概率模型中的每个指标产生不同的值时，即，当每次召回（灵敏度）时，我们得到不同的精度（特异性）值——我们可以绘制接受者操作特征（ROC）曲线和找到曲线下的区域，如下所示。 

由于面积是在轴之间计算的，因此它总是介于 0 和 1 之间。它越接近 1，模型越好。 

均方根误差 (RMSE)

作为回归问题中最常用的指标之一，RMSE 假设发生的错误是无偏的并且服从正态分布。样本数量越多，通过 RMSE 重构误差分布就越可靠。度量的方程由下式给出： 

交叉熵损失 

也称为“对数损失”，交叉熵损失在深度神经网络中很有名，因为它克服了梯度消失问题。它是通过对错误分类的数据点的预测概率分布的对数求和来计算的。

基尼系数

用于分类问题，基尼系数源自 AUC – ROC 数。它是 ROC 曲线与对角线之间的比率。如果基尼系数高于 60%，则该模型被认为是好的。用于此的公式是： 

Gini = 2*AUC – 1

杰卡分数

Jaccard 分数是衡量两组数据之间的相似性指标。分数是在 0 和 1 之间计算的，1 是最好的。为了计算 Jaccard 分数，我们找到两个集合中的观察总数，然后除以任一集合中的观察总数。

J(A, B) = |A∩B| / |A∪B|