今天给大家分享机器学习中常用的评估指标。
机器学习的评估指标是用于衡量模型在特定任务中的性能，帮助我们判断模型是否在测试集上有效，并指导模型的优化和调整。
评估指标因任务的不同而有所区别，常见的任务包括分类、回归等。
分类问题评估指标分类问题是指将输入样本分类为某个离散标签的任务。
常见的评估指标有以下几种。
1.混淆矩阵顾名思义，混淆矩阵给出一个 N*N 矩阵作为输出，其中 N 是目标类的数量。
混淆矩阵是分类器做出的正确和错误预测数量的表格总结。
该矩阵将实际值与机器学习模型的预测值进行比较。
真正例（True Positive, TP）：模型正确预测为正例的数量。假正例（False Positive, FP）：模型错误预测为正例的数量。真负例（True Negative, TN）：模型正确预测为负例的数量。假负例（False Negative, FN）：模型错误预测为负例的数量。2.准确率 (Accuracy)准确率是指模型预测正确的样本数占总样本数的比例。
公式
适用场景
当各类别样本数量较为均衡时，准确率是一个好的评估指标。
复制
from sklearn.metrics import accuracy_scorey_true = [0, 1, 0, 1]y_pred = [0, 0, 0, 1]accuracy = accuracy_score(y_true, y_pred)print("Accuracy:", accuracy)1.2.3.4.5.6.3.精确率 (Precision)精确率是指被模型预测为正类的样本中，真正为正类的比例。
公式
适用场景
当误将负类预测为正类的代价较高时（如垃圾邮件分类）。
复制
from sklearn.metrics import precision_scorey_true = [0, 1, 0, 1]y_pred = [0, 0, 0, 1]precision = precision_score(y_true, y_pred)print("Precision:", precision)1.2.3.4.5.6.4.召回率 (Recall)召回率是指正类样本中被模型正确预测为正类的比例。
公式
适用场景
当误将正类预测为负类的代价较高时（如疾病检测）。
复制
from sklearn.metrics import recall_scorey_true = [0, 1, 0, 1]y_pred = [0, 0, 0, 1]recall = recall_score(y_true, y_pred)print("Recall:", recall)1.2.3.4.5.6.5.特异性特异性是分类模型对负类样本的识别能力的度量，它表示所有真实为负类的样本中，模型正确识别为负类的比例。
公式
复制
from sklearn.metrics import confusion_matrixy_true = [0, 1, 0, 1]y_pred = [0, 0, 0, 1]tn, fp, fn, tp = confusion_matrix(y_true, y_pred).ravel()specificity = tn / (tn + fp)print("Specificity:", specificity)1.2.3.4.5.6.7.6.F1-ScoreF1-Score 是精确率和召回率的调和平均，用于平衡两者之间的影响。
适用场景
当需要在精确率和召回率之间找到平衡点时，使用 F1-Score。
复制
from sklearn.metrics import f1_scorey_true = [0, 1, 0, 1]y_pred = [0, 0, 0, 1]f1 = f1_score(y_true, y_pred)print("F1 Score:", f1)1.2.3.4.5.6.7.AUC-ROCAUC (Area Under the Curve) 表示 ROC 曲线下的面积，AUC 越高，模型越好。下图显示了 ROC 曲线，y 轴为 TPR（真阳性率），x 轴为 FPR（假阳性率）。
回归问题评估指标回归问题的目标是预测连续值，常见的评估指标有以下几种。
1.均方误差 (MSE)MSE 是预测值与真实值之间差异的平方的平均值，常用于衡量模型的预测误差。
适用场景
对大误差比较敏感的场景，因为误差平方放大了大的偏差。
复制
from sklearn.metrics import mean_squared_errory_true = [3, -0.5, 2, 7]y_pred = [2.5, 0.0, 2, 8]mse = mean_squared_error(y_true, y_pred)print("Mean Squared Error (MSE):", mse)1.2.3.4.5.6.2. 均方根误差 (RMSE)RMSE是 MSE 的平方根，用于衡量预测误差的平均幅度。
RMSE 的单位与原始预测变量相同，因此便于理解。
复制
from sklearn.metrics import mean_squared_errorimport numpy as npy_true = [3, -0.5, 2, 7]y_pred = [2.5, 0.0, 2, 8]mse = mean_squared_error(y_true, y_pred)rmse = np.sqrt(mse)print("Root Mean Squared Error (RMSE):", rmse)1.2.3.4.5.6.7.8.3. 平均绝对误差 (MAE)MAE 是预测值与真实值之间差异的绝对值的平均值，衡量模型预测误差的平均大小。
适用场景
对所有误差同等看待的场景。
复制
from sklearn.metrics import mean_absolute_errory_true = [3, -0.5, 2, 7]y_pred = [2.5, 0.0, 2, 8]mae = mean_absolute_error(y_true, y_pred)print("Mean Absolute Error (MAE):", mae)1.2.3.4.5.6.4. R方值R² 表示模型解释了目标变量总变异的比例，取值范围为 0到1，数值越大表示模型越好。
适用场景
适用于评估回归模型的整体性能。
复制
from sklearn.metrics import r2_scorey_true = [3, -0.5, 2, 7]y_pred = [2.5, 0.0, 2, 8]r2 = r2_score(y_true, y_pred)print("R-squared (R^2):", r2)1.2.3.4.5.6.5.调整后的 R²调整后的 是在 的基础上引入了对模型复杂度的惩罚，考虑了模型中自变量的数量。
其公式为
其中：
n 是样本数量。p 是模型中的自变量（特征）数量。复制
from sklearn.metrics import r2_scoredef adjusted_r2(r2, n, k): return 1 - (1 - r2) * (n - 1) / (n - k - 1)y_true = [3, -0.5, 2, 7]y_pred = [2.5, 0.0, 2, 8]r2 = r2_score(y_true, y_pred)n = len(y_true) # Number of observationsk = 1 # Number of predictorsadj_r2 = adjusted_r2(r2, n, k)print("Adjusted R-squared:", adj_r2)更多资讯，点击
