分类问题
常见的评价指标有
- 精确率（真正/(真正+假正)）和召回率（真正/(真正+假负)）
- 以召回率为横轴，精确率为纵轴的P-R曲线。这样的曲线越接近右上角越好。
- P-R曲线下的面积AP分数（Average precision score），不过计算不方便。
- F1值：精确率和召回率的调和平均
- 准确率和错误率（相加为1）
- ROC和AUC： 很多情况下，模型输出的预测概率，我们队预测概率排序，依次设置分类阈值，当预测概率大于阈值时为正例，否则为负例。这样就多了一个超参数，这个超参数也会影响模型的泛化能力。ROC曲线的纵坐标为真正率（召回率，正例中被预测成正例的），横坐标是假正率（假正/(假正+真负)，也就是负例中被预测成正例的）。ROC曲线越接近最上角性能越好。AUC是ROC曲线下的面积，越大说明越可能将正例排在负例之前。
注意点
1.准确率和精确率是一个东西吗？
答：不是。精确率的关注重点是分对的正例，准确率是关注有多少被分对了，包括正例和反例。
- AUC有什么神奇的性质，为什么？
答：
- AUC等于随机挑选一个正例和负例，正例排在负例前的概率；
- AUC=Gini+1;
- AUC和Wilcoxon Test of Rank等价。Wilcoxon-Mann-Witney Test就是测试任意给一个正类样本和一个负类样本，正类样本的score有多大的概率大于负类样本的score。
- 从ROC曲线到AUC值，再到Mann–Whitney U统计量
https://blog.csdn.net/Joyliness/article/details/79156879 讲的通俗易懂，但是还是太难懂了。搞数学的人都是富有想象力的~
回归问题
- 平均绝对误差MAE，L1范数损失。预测值和真实值的平均绝对值。MAE可以很好的刻画预测值和真实值的偏差。是对数据分布的均值进行拟合
- 加权平均误差（WMAE):MAE的变种评价指标，考虑每条样本的权重。
- 平均绝对百分误差（MAPE）：误差相对于真实值的百分比值的平均值。但是对真实值为0的情况会导致这个百分比接近100%，需要修正。
- 均方根误差（RMSE）： 样本的标准差。和MAE相比，对大误差样本有更大的惩罚；缺点是对离群点敏感。** 是对数据分布的平均值进行拟合**
- 均方根对数误差（RMSLE）：均方根误差的变种，这种会对预测值偏小的样本有更大的惩罚。需要先把预测值转为ynew=log(y+1)。在预测之后在还原p=exp(pnew)-1
排序问题
暂时没有接触过，略过
