分类评估、回归评估
分类评估、回归评估
zhou分类评估
混淆矩阵
准确率:
精度:(实际上精度和真正率是一回事)
召回率:
ROC
ROC(受试者工作特征)曲线是选择分类模型的有用工具,他以FPR(FP rate)和TPR(TP rate)的性能比较结果为移除,通过移动分类器的阈值完成计算。ROC曲线和精度召回曲线类似
中间虚线对角线表示纯随机分类器的ROC曲线,一个好的分类器尽量远离该线
比较分类器的一种方法是测量曲线下面积 (AUC) 。完美分类器的 ROC AUC 等于 1 ,而纯随机分类器的 ROC AUC 等于 0 . 5 。
KS曲线
我们训练出来的模型,一般不是直接给出是正类还是负类的结果,给的是为正类的概率,我们还需要选择一个阈值,实例通过模型得到的概率大于阈值,判断为正类,小于阈值判断为负类。也就是说阈值的不同,以上的各个指标的值也是不同的。把阈值看成自变量,以上TPR、和FPR看成因变量,在二维坐标系里面做关系曲线,这就是KS曲线。
结束
回归评估
MAE(平均绝对误差)
它用于衡量预测值与实际观测值之间差异的平均绝对值。
给定一组预测值 和实际观测值 ,为观测值的数量MAE 定义为
特点:
- 非负值:MAE 的值总是非负的,因为它是绝对值的平均。
- 直观:MAE 提供了一个直观的衡量模型误差的方法。它直接表示平均每个预测值与实际值相差的程度。
- 鲁棒性:相比于平均平方误差(Mean Squared Error, MSE),MAE 对异常值(outliers)的影响较小,因为它不涉及平方。
相对于MSE:MSE会对较大的误差赋予更高的权重(因为误差被平方了),因此对异常值更敏感。
相对于均方根误差(Root Mean Squared Error, RMSE):RMSE 通过对MSE开根号,使得误差的单位与原数据一致,但依然对大的误差赋予更多权重。
MSE(均方误差)/RMSE(均方根误差)
MSE是预测误差的平方和的平均值
RMSE是MSE的平方根。其公式为:
它衡量的是回归模型能够解释的因变量方差的比例。
定义为由模型解释的方差占总方差的比例。其值范围通常在 0 到 1 之间。
其中,是残差平方和(实际观测值和模型预测值之差的平方和), 是总平方和(实际观测值和平均值之差的平方和)。
解释
- 表示模型能够完美地预测因变量。
- 表示模型的预测效果与平均水平一样。
- 的值越接近 1,表明模型的拟合优度越高。
- 在某些情况下, 可以为负数,这意味着模型的表现比简单使用平均值还要差。
结束
Comment
匿名评论隐私政策
✅ 你无需删除空行,直接评论以获取最佳展示效果