準確率（accuracy）：這個公式計算比較簡單，就是**正確的樣本數量除以總的樣本數量
但是很多時候，這個往往不能滿足要求，比如樣本不平衡，比如我們更加關心另一類的**情況，這就會有問題， 比如你的樣本不均衡，以兩類問題為例：如果+1為10000，-1為50，那麼只要過擬合，即使-1全部分錯，正確率也是非常高的。如果我們更加關心-1的分類情況，這也沒法實現。所以引入了另外的指標
準確率（accuracy）：(#（true positive) + # (true negative) ) / (#（true positive) + # (true negative) + #（false positive) + # (false negative))
召回率（recall）：#（true positive) / (#（true positive) + #（false positive) )
精確率（precision）：#（true positive) / (#（true positive) + #（false negative) )
f1: （a*a+1）*recall*precision/（a*a*(recall+precision)）
a用於衡量召回率和精確率兩者之間的重要，如果等於1，表示一樣重要。
#（true positive) ：代表第一類正確分類的樣本數量。#（true negative)：代表第二類分類正確的樣本。#（false positive) ：第二類誤認為第一類的樣本。 # (false negative)：表示第一類誤認為第二類的樣本數量。
機器學習模型 知乎 機器學習 模型選擇與評價
交叉驗證 首先選擇模型最簡單的方法就是，利用每一種機器學習演算法 邏輯回歸 svm 線性回歸等 計算訓練集的損失值，然後選擇其中損失值最小的模型，但是這樣是不合理的，因為當訓練集不夠 特徵過多時容易過擬合，那麼訓練集的損失值就會不斷變小，但是此時針對測試集可能損失值很高，所以訓練集上的損失值是無法衡...
機器學習模型評價指標 混淆矩陣
在機器學習領域中，混淆矩陣 confusion matrix 是一種評價分類模型好壞的形象化展示工具。其中，矩陣的每一列表示的是模型 的樣本情況 矩陣的每一行表示的樣本的真實情況。1.混淆矩陣的舉例 例如用乙個分類模型來判別乙個水果是蘋果還是梨，混淆矩陣將會模型的 結果總結成如下表所示的 模型 結果...
機器學習 模型評價和優化方法
機器學習中的高偏差指的是模型的損失函式校驗中，訓練集和測試集error大，模型欠擬合 高方差是指訓練集的error小，測試集的error大，模型過擬合。通俗來說，高偏差問題就是採用訓練集訓練效果都不太好的模型，而高偏差問題就是訓練效果好，但是測試效果不好的模型，繪製學習曲線有助於了解演算法是高偏差問...