机器学习评价标准（不包括聚类和信息检索）

拟合

1.平均绝对误差MAE（Mean Absolute Error）

又被称为 $l1$ 范数损失（ $l1$ -norm loss）：

$MAE（y,\hat{y} ）=\frac{1}{n}\sum_{i=1}^n\vert y_{i}-\hat{y_{i} } \vert$

2.平均平方误差MSE（Mean Squared Error）

又被称为 $l2$ 范数损失（ $l2$ -norm loss）：

$MSE（y,\hat{y} ）=\frac{1}{n}\sum_{i=1}^n（y_{i}-\hat{y_{i} }）^2$

分类

混淆矩阵：

准确率（accuracy）

$Accuracy=\frac{TP+TN}{TP+TN+FP+FN}$

在正负样本不平衡的情况下，准确率这个评价指标有很大的缺陷。比如在互联网广告里面，点击的数量是很少的，一般只有千分之几，如果用Accuracy，即使全部预测成负类（不点击）Accuracy也有 99% 以上，没有意义。

精确率（precision）

$precision=\frac{TP}{TP+FP}$ .也叫查准率

召回率（recall）

$recall=\frac{TP}{FN+TP}$ .也叫查全率

有时候需要在精确率与召回率之间权衡，一种选择是画出精确率-召回率曲线（Precision-Recall Curve），曲线下的面积被称为AP分数（Average precision score）；另外一种选择就是计算 $F_{\beta }$ 分数，它是精确率与召回率的加权求和。

F值，F-measure

ROC曲线，横坐标FPR,纵坐标TPR，曲线面积为AUC（Area Under Curve）

$FPR=\frac{FP}{N}$ ， $TPR=\frac{TP}{P}$

©著作权归作者所有,转载或内容合作请联系作者
【社区内容提示】社区部分内容疑似由AI辅助生成，浏览时请结合常识与多方信息审慎甄别。
平台声明：文章内容（如有图片或视频亦包括在内）由作者上传并发布，文章内容仅代表作者本人观点，简书系信息发布平台，仅提供信息存储服务。