常用評價指標（p\r\f-score）
精確率（precision）：**為正確的樣本中，原本就是對的的比例（越大越好，趨近於1為理想狀態）
召回率（recall）:原本為正確的樣本中，通過模型**為正確的比例（越大越好，趨近於1為理想狀態）
f-score：綜合評價精確率和召回率的指標，2/(精確率的倒數+召回率的倒數），越大越好，為1的時候說明精確率和召回率都達到最大值
其他指標
準確率：針對整體樣本空間而言，模型**正確（對的**為對，錯的**為錯）佔整個樣本空間的比例（越大越好）
fp：真實值為錯，**為對，佔樣本比率（越小越好）；推廣：**結果和真實結果相反佔據的比例
tp：原本是正確的，**也是正確的比率（越大越好）；推廣：**結果和真實結果相同佔據的比例
rp 曲線（precision-reback）
精確率和召回率曲線：以r為橫座標，ｐ為縱座標，調整分類閾值，得到每個rp點，獲得最後的rp曲線；因為在**問題中，通常返回為概率**，受閾值的影響，因此不同的閾值對應了不同的ｒｐ值。
評價模型的好壞，通常的指標是，rp曲線越接近座標（１，１）的位置越好。如果乙個模型的ｒｐ曲線完全包裹另乙個，說明此模型效果好
如果面積重疊無法比較：則可以通過平衡點，精確率和召回率相同的時候，對角線點（查準率=查全率，break-even point，bep）來進行判斷，圖中說明ａ模型最優
roc和auc曲線
roc：二分類問題中的使用較好，衡量模型穩定性。真正率和假正率曲線（tp-fp曲線）；（注意：測試資料集通常是多分類，資料集中包含反例資料）
真正率為縱軸，假正率為橫軸，不同的閾值組成點繪製圖形，各點反應的指標是，在不同的閾值條件下，這個模型返回的真正率和假正率的值
auc：roc的面積積分，取值通常為[０.5 - 1]反應的是乙個概率值，表示給定乙個樣本，在多大的概率下能夠判斷為正，積分後排除了閾值對真正率的影響；auc越高說明模型準確率高
auc和roc的計算通常在測試資料集中存在正負樣本，需要更加精確的進行分類，對模型要求更加嚴格，不允許錯誤分類。常用於廣告推薦
ks曲線
以不同閾值為橫座標，tp和fp分別作為縱座標；畫出兩條曲線，找到每個閾值下兩曲線差值，ｋｓ＝ｍａｘ（最大差值）
評價指標的選擇
在正負樣本量足夠的情況下，roc曲線對模型**能力的判斷較好；
而如果正負樣本不均衡的情況下，rp曲線的效果好；
roc和auc在正負樣本齊全的測試資料集中判斷模型的準確率；
rp在測試資料集不均衡的條件下判斷模型的表現效能，精確率和泛化能力的同時指標
rp\roc\auc曲線，均是排除模型**閾值的條件下，對模型進行效果進行測評。畫製曲線都是通過設定不同的閾值獲得對應的座標，畫出曲線。
常用的機器學習模型評估和模型選擇方法
目錄2 模型選擇 3 模型評估 機器學習的目的是通過對訓練資料的訓練，能夠對未知的資料有很好的應用效果。訓練誤差是模型對訓練集的計算損失，測試誤差是模型對測試集的計算損失，聽起來好像是廢話。舉個栗子，乙個資料集有100條，其中80條用來做訓練集，20條用來做測試集，用模型對這80條資料進行訓練，得到...
關於指標傳遞和指標的指標
一開始沒有理解，導致對這個概念非常的模糊和不解。最近看完 徹底搞定c語言指標詳解 裡面關於指標的指標的解釋有了頓悟感。其實，很好理解，是我把它想複雜了。我們都知道，實參和形參的區別。形參並無法改變實參，這就是值傳遞。還有一種叫指標傳遞，實質就是去操作指標的指向物件。例子如下 exchg2 int p...
關於指標和指向指標的指標
如果在乙個函式內部你需要修改指標所指向的資料內容，那就使用指標，如果你要修改指標的指向，那就使用指向指標的指標。如果函式的引數是乙個指標，不要指望用該指標去申請動態記憶體。test函式的語句getmemory str,200 並沒有使str獲得期望的記憶體，str依舊是null。void getme...