这里主要是讲述分类问题。多分类问题是能够转化为二分类问题的。因此评价指标主要都是基于二分类来提出的。

1.混淆矩阵

优点：能够很好地包含了整体的分类结果信息
缺点：不直观，外行看不懂

2.准确度（Accuracy）

所有样本中被分类正确的比例。缺点就是不能衡量分布不均匀的情况。

计算时，分子就是混淆矩阵中对角线上的元素。

3. 精度（precison）

精确度也叫查准率，模型预测为正例的样本中，有多少位真正的正例。就是看模型对于我们所关注类别（也就是正例）预测的准确性。

计算就是考虑混淆矩阵的左边一列。

4.召回率（Recall）

也叫查全率。就是关注所有的实际正例中，有多少被预测准确的（就是数据集中有多少实际正例，能够被模型给找出来）。

计算是看混淆矩阵的上面一行。

4.F1-score

F1 Score是对精度和召回率的调和平均。好处就是当precision和recall有一项接近于0时，f1的值都会接近于0。当两者都比较高时，f1值就比较高。

一个好的模型就是要让TP和TN的占比更高（正对角线元素），FP和FN尽可能地少（负对角线）

F- Score 和F2 Score

的不同取值让模型更具有倾向性。取0.5时就更倾向于precision，就是让预测出来的尽可能都是正确的；取2时就更倾向于recall，就是希望模型能够吧所有的实例都找到（可以忽略预测成本）；取1就是没有倾向性。

5.多分类评价指标

多分类其实和二分类一样，也可以画出对应的混淆矩阵。例如右图中，正确预测的就是对角线上的。然后圈起来红色的2就是只实际标签为5模型预测出来为4的样本数。

1.机器学习常见模型评价指标相关推荐

机器学习分类模型评价指标详述
问题建模机器学习解决问题的通用流程:问题建模--特征工程--模型选择--模型融合其中问题建模主要包括:设定评估指标,选择样本,交叉验证解决一个机器学习问题都是从问题建模开始,首先需要收集问题的资 ...
机器学习各种模型评价指标：准确率(Precision)、召回率(Recall)、F值(F-Measure)、ROC曲线、PR曲线
周志华老师的西瓜书的第2章:模型评估与选择摘要: 数据挖掘.机器学习和推荐系统中的评测指标-准确率(Precision).召回率(Recall).F值(F-Measure)简介. 引言: 在机器学习 ...
机器学习分类模型评价指标之ROC 曲线、 ROC 的 AUC 、 ROI 和 KS
前文回顾: 机器学习模型评价指标之混淆矩阵机器学习模型评价指标之Accuracy.Precision.Recall.F-Score.P-R Curve.AUC.AP 和 mAP 图裂的话请参考:ht ...
机器学习的模型评价指标：准确率(Precision)、召回率(Recall)、F值(F-Measure)、ROC曲线等
用手写数字识别来作为说明. 准确率: 所有识别为"1"的数据中,正确的比率是多少. 如识别出来100个结果是"1", 而只有90个结果正确,有10个实现是非& ...
机器学习分类模型评价指标之Accuracy、Precision、Recall、F-Score、P-R Curve、AUC、AP 和 mAP
前文:https://www.cnblogs.com/odesey/p/16902836.html 介绍了混淆矩阵.本文旨在说明其他机器学习模型的评价指标. 1. 准确率(Accuracy-Acc) ...
机器学习分类器模型评价指标
分类器评价指标主要有: 1,Accuracy 2,Precision 3,Recall 4,F1 score 5,ROC 曲线 6,AUC 7,PR 曲线混淆矩阵混淆矩阵是监督学习中的一种可视化工 ...
机器学习：模型评价指标总结
混淆矩阵混淆矩阵是一种特定的矩阵用来呈现算法性能的可视化效果,通常用于二分类模型.其每一列代表预测值,每一行代表的是实际的类别. 其实就是把所有类别的预测结果与真实结果按类别放置到了同一个表里,在这 ...
【机器学习】模型评价指标中的召回率低的原因
1.样本标注时多数正样本被错误的标注为负样本,这样模型学到正例的能力变弱,这样正样本预测为负样本的同时,负样本的精度也会减少. 方法一:对错误的标注样本进行修正,观察结果,看是否有改变. 2.一般情况 ...
《机器学习》------模型评价指标
错误率(error rate):分错样本占总样本的比例: 对于数据集 D D D,分类错误率定义为: E ( f ; D ) = 1 m ∑ i = 1 m I ( f ( x i ) ≠ y i ) ...

1.机器学习常见模型评价指标