占坑，完善中。。。
模型评估指标：
accuracy：精确度：正确识别的所有数量在总数量中的占比。
但是在可信度模型里，这样的评估标准是不适用的，比如疾病识别，垃圾邮件识别，需要要看哪种结果更不能接受，那么能接受的结果被正确判断的成功率越高才越好，所以引入了召回率这个衡量标准。
recall: 召回率： 期望正确识别的数量在总正确数量的占比。
可以理解为：
如何只通过一个分数综合评估一个模型，
如果你关注召回率和精确度的平衡，可以考虑引入F1 score
公式：F1 Score=2*Precision∗Recall/（Precision+Recall）
这个 公式的重点在于寻求精确度和召回率的平衡，平衡度越高F1 score越高。 只要任意一个指标偏离越大，F1score越低，而且一般都定于算术平均值。
如何根据模型的应用场景，找到更倾向于精确度或召回率的判断标准，引入 Fβ，公式如下图，β值越大，越需要召回率，反之越小越需要精确度
ROC Curve
如果取任意划分点的真阳性和假阳性的比例做为XY轴坐标点，会发现完美划分，随机划分和较好划分组成的ROC 曲线有对应的面积特点
R2 Score 评估回归模型的指标
计算模型和最简模型的差距。 R = 1- （模型误差/简单模型误差）
趋近于0说明两个模型误差很小
趋向于0代表
代码：
使用sklearn.metrics 中的 r2_score来计算r2值，https://scikit-learn.org/stable/modules/generated/sklearn.metrics.r2_score.html
网友评论