2.1 錯誤率與精度：
m個樣本，有a個分錯。
錯誤率：e=
a/m
精度：acc
=1−a
/m
2.2 查準率、查全率和f1：
tp：真正例 / tn：真反例
fp：假正例 / fn：假反例
查準率：p=
tptp
+fp
查全率：r=
tptp
+fn
f1是查準率和查全率的調和平均數： 1f
1=12
(1p+
1r),
即：f1
=2×p
×rp+
r 與算術平均數相比，調和平均數更加重視較小值。如果對查全率和查準率有偏好，引出了加權調和平均數： fβ
=(1+
β2)×
p×r(
β2×p
)+r
其中β大於1時候，查全率r有更大的影響，小於1時查準率p會有更大的影響。
2.3 roc和auc：
將m+個正例和m-個負例放進模型，然後**值從小到大排列，模型目標是讓正例盡可能小，負例盡可能大，從最小樣例開始，如果是正例，就向上移一格，也就是(x
+1m+
,y) ，座標(0,1)就是所有正例都排在負例之前的理想情況，如果是負例就向右移動一格(x
roc曲線下的面積就是auc值，auc越接近1證明模型效果越好。
2.4 回歸模型評價指標
mse：均方差
mae：平均絕對值誤差
rmse：ms
e‾‾‾
‾‾√
tss：總平方和，表示樣本之間的差異情況。
rss：殘差平方和，表示**值和樣本值之間的差異情況 r2
：取值範圍(負無窮,1]，值越大表示模型越擬合訓練資料;最優解是1;當模型**為隨機值的時候，有可能為負;若**值恒為樣本期望，為0 r2
=1−r
ssts
s=1−
∑(yi
−ŷ i
)2∑(
yi−y
⎯⎯)2
3.1 留出法
劃分出互斥的訓練集和測試集，注意兩個集合的分布盡量保持一致，通常採用分層取樣的方法。通過若干次的隨機劃分得到比較穩定可靠的結果。
3.2 交叉驗證法
p次k折的交叉驗證法，就是k-1個子集作為訓練集，剩下的1個作為測試集。
3.3 自助法
機器學習 模型評估指標
from sklearn.metrics import accuracy score print 準確率 accuracy score y true,y pred,normalize true print 正確分類的數量 accuracy score y true,y pred,normalize ...
機器學習 回歸評估指標
1.2 均方誤差 mse 1.3 判定係數 r 2 參考資料 機器學習 目錄 機器學習 分類評估指標 mae mean absolute error 平均絕對誤差，從圖形上看，mae 就相當於將資料點與擬合之間之間的距離絕對值之和。mae 缺點 絕對值函式是不可微分的，這不利於使用諸如梯度下降方法，...
機器學習 回歸評估指標
1.2均方誤差 mse 1.3判定係數 r 2 參考資料 mae mean absolute error 平均絕對誤差，從圖形上看，mae 就相當於將資料點與擬合之間之間的距離絕對值之和。mae 缺點 絕對值函式是不可微分的，這不利於使用諸如梯度下降方法，因此我們將使用更常見的 mse 均方誤差。f...