机器学习常用的评估指标有哪些?
评估指标
评估指标是机器学习模型评估的重要指标，用于衡量模型在训练数据上的性能以及在测试数据上的性能。评估指标可以分为两类：定量指标和定性指标。
定量指标
- 准确率 (Accuracy)：正确预测的样本数量与总样本数量的比例。
- 召回率 (Recall)：所有正例样本中被正确预测的样本数量与所有正例样本数量的比例。
- ** precision (Precision)**：所有正例样本中被预测为正例样本的数量与所有正例样本数量的比例。
- F1 分数 (F1)：召回率和准确率的平衡值，用于评估模型在正负例之间平衡的性能。
- 困惑度 (Jaro-Winkler distance)：两个字符串之间的距离，用于评估模型在词语或句子之间的相似性。
定性指标
- 困惑度 (Jaro-Winkler distance)：两个字符串之间的距离，用于评估模型在词语或句子之间的相似性。
- 混淆矩阵：显示了不同类别的样本在训练数据中被预测为其他类别的数量。
- ROC 曲线：真正 positive样本与假 positive样本之间的曲线，用于评估模型在所有正例样本上的召回率。
- PR 曲线：真正 positive样本与假 positive样本之间的曲线，用于评估模型在所有负例样本上的召回率。
评估指标的选择取决于具体的机器学习任务和问题。
