【机器学习300问】25、常见的模型评估指标有哪些？

        模型除了从数据划分的角度来评估，我上一篇文章介绍了数据集划分的角度：

【机器学习300问】24、模型评估的常见方法有哪些？https://blog.csdn.net/qq_39780701/article/details/136334526

还可以从一些指标的角度来评估，这篇文章就带大家从两个最经典的任务场景介绍。

一、回归问题

（1）MSE（Mean Squared Error，均方误差）

MSE衡量的是预测值与真实值之间差别的平方平均数。公式为：

其中，是真实的观测值，是模型预测的值，n是样本数量。MSE对误差进行平方处理，因此它更关注大误差，且其单位与目标变量相同但是平方。

（2）RMSE （Root Mean Squared Error，均方根误差）

RMSE是MSE的平方根，用于将MSE的结果转换回原始尺度，与y变量的量纲相同，这样结果更容易解读。公式为： 

【机器学习300问】43、回归模型预测效果明明很好，为什么均方根误差很大？https://blog.csdn.net/qq_39780701/article/details/136924707

二、分类问题

（1）Accuracy (准确率)

准确率是最直观的性能度量之一，计算的是分类正确的样本数占总样本数的比例。然而，在类别不平衡的情况下，准确率可能不够全面。公式为：

TP是真正例（实际正类被正确预测），TN是真负例（实际负类被正确预测），FP是假正例（实际负类被错误预测为正类），FN是假负例（实际正类被错误预测为负类）。

上面这张表叫做混淆矩阵，关于混淆矩阵的更完整介绍，放在下面这个链接里面了：

【机器学习300问】102、什么是混淆矩阵？https://blog.csdn.net/qq_39780701/article/details/139269824关于准确率的更多介绍，我写了一篇叫做“准确率的局限性”的文章，通过医疗诊断和电商推荐的例子便于大家的理解，下面是跳转链接：

【机器学习300问】30、准确率的局限性在哪里？https://blog.csdn.net/qq_39780701/article/details/136575189

（2）Precision (精确率)

精确率是指模型预测为正类的样本中真正是正类的比例，即预测正确的正例占所有预测为正例的比例。公式为：

（3）Recall (召回率)

召回率表示模型识别出所有正类的能力，即实际正类中被正确预测的比例。

关于精确率和召回率需要通过很多例子来进一步了解，为此我专门写了另一篇文章来详细深入介绍这两个评估指标，下面是文章链接，希望对你有帮助：

【机器学习300问】31、不平衡数据集如何进行机器学习？https://blog.csdn.net/qq_39780701/article/details/136605808

（4）ROC曲线（Receiver Operating Characteristic Curve）

ROC曲线是基于不同的阈值下，模型的真正例率（True Positive Rate, TPR）和假正例率（False Positive Rate, FPR）的关系绘制的曲线。曲线下面积（AUC-ROC）可以用来作为整体评价分类器性能的一个综合指标，AUC越大，说明分类器在各个阈值下的表现越好。

【机器学习300问】46、什么是ROC曲线？https://blog.csdn.net/qq_39780701/article/details/136605808

（5）F1分数（F1-Score）

F1分数（F1-Score）是二分类或多分类问题中一个常用的性能度量指标，它结合了精确率（Precision）和召回率（Recall）两个评价指标，是精确率与召回率的调和平均值，衡量的是精确率和召回率的平衡。在二分类问题中，F1分数的计算公式如下：