如果不能對模型的訓練和測試的表現進行量化地評估，我們就很難衡量模型的好壞。通常我們會定義一些衡量標準，這些標準可以通過對某些誤差或者擬合程度的計算來得到。通過運算
決定係數r2 來量化模型的表現。模型的決定係數是回歸分析中十分常用的統計資訊，經常被當作衡量模型**能力好壞的標準。
r2的數值範圍從0至1，表示目標變數的**值和實際值之間的相關程度平方的百分比。乙個模型的r2 值為0說明它完全無法**目標變數；而乙個r2 值為1的模型則可以對目標變數進行完美的**。從0至1之間的數值，則表示該模型中目標變數中有百分之多少能夠用特徵來解釋。_模型也可能出現負值的r2，這種情況下模型所做**還不如直接計算目標變數的平均值。
使用例子：
examples
>>> from sklearn.metrics import r2_score
>>> y_true = [3, -0.5, 2, 7]
>>> y_pred = [2.5, 0.0, 2, 8]
>>> r2_score(y_true, y_pred)
0.948...
>>> y_true = [[0.5, 1], [-1, 1], [7, -6]]
>>> y_pred = [[0, 2], [-1, 2], [8, -5]]
>>> r2_score(y_true, y_pred, multioutput='variance_weighted')
0.938...
模型效果衡量標準
true positive 真正,tp 被模型 為正樣本，是真的判斷正確。所以就是正樣本，也稱作正的數。true negative 真負 tn 被模型判斷為負樣本，是真的判斷正確。所以就是負樣本，也稱作負的數。false positive 假正,fp 被模型判斷為正樣本，是假的判斷錯誤。所以應該是負...
軟體測試的原則和衡量標準
1 軟體測試的原則 good enough 原則 這是一種權衡投入 產出比的原則，測試既不要不充分,也不要過分，不充分和過分都是一種不負責任的表現，當然zero enough 是一種理想，good enough 是原則 pareto 原則 一般情況 在分析，設計，實驗階段的複審和測試工作能發現80 ...
資料探勘 模型的衡量標準與建模
2 ease of use 是否好用 3 feature selection 二 模型分類 2 分類問題 3 聚類問題 一般來說，建模是迴圈做的。準確性accurate 穩定性stable 對同乙個樣本的 值是唯一的，穩定的 推廣性general 建模使用的資料決定了模型的推廣性。generate ...