機器學習模型中常見的是分類問題，分類模型的評價指標主要有：
（1）精確率
（2）召回率
（3）f值
（4）auc值（roc曲線）
分類問題可劃分成二分類和多分類問題，其中二分類最為常見，多分類問題大都也是轉化成二分類問題求解，因此本文主要基於二分類模型進行模型評價指標的分析。
1）給定標記好的模型訓練資料，經分類模型輸出的結果為混淆矩陣，具體如下：
當a=1時，f1 = 2*p*r/(p+r)
roc曲線：
縱座標-tpr: tpr = tp/( tp+fn), 值域[0,1]
橫座標-fpr : fpr = fp/(fp+tn), 值域[0,1]
auc值等於roc曲線下方的面積，值域為[0,1]
roc曲線是由多組（fpr,tpr）數值擬合形成的曲線，其中（fpr,tpr）代表模型在不同閾值下基於混淆矩陣統計得到的結果。在分類模型中，模型輸出的初始結果是概率值，然後指定具體的閾值後輸出類別標籤（正類or 負類）。因此，roc曲線能夠彌補閾值選取問題導致分類器的衡量偏差（精確率和召回率均在指定的閾值下統計出的結果），能夠更好的衡量模型的分類效能，auc值越高，證明模型的分類能力越好。（需考慮正負樣本不均衡產生的問題）
參考文件：
回歸模型評價指標
回歸模型應用場景 趨勢分析 投資風險分析等 1 mae mean absolute error 平均絕對差值 2 mse mean square error 均方誤差，是回歸任務最常用的效能度量，最小二乘估計也是使用均方誤差 3 log對數損失函式 邏輯回歸 交叉熵損失，其實是由最大似然估計推導而來...
網路模型評價指標
最近看 又發現乙個容易忘記的點，網路的評價指標，就見到乙個乙個的縮寫 ac ja di sp se，dc人是懵的，在這裡寫上乙個筆記，方便自己檢視！accuracy 又稱準確率，中正確的部分佔總 的比重 a c tp tn tp tn f p fn ac tp tn tp tn fp fn ac t...
推薦模型評價指標 AUC
推薦中常用的模型評價指標有準確率，召回率，f1 score和auc。1.什麼是auc auc指標是乙個 0,1 之間的實數，代表如果隨機挑選乙個正樣本和乙個負樣本，分類演算法將這個正樣本排在負樣本前面的概率。值越大，表示分類演算法更有可能將正樣本排在前面，也即演算法準確性越好。2.auc的計算方法 ...