背景
1、分类回归模型的评估指标
分类模型的目标是将输入数据分配到一个离散类别中，常见的评估指标如下：
- 准确率 (Accuracy)
解释：表示模型预测正确的样本占总样本的比例。适用于类分布平衡的情况，但在类别不平衡时表现不佳。
- 精确率 (Precision)
解释：衡量模型在预测为正类时，实际为正类的比例。适用于当误报代价较高的情况（例如垃圾邮件检测）。
- 召回率 (Recall)
解释：衡量模型能识别出实际正类的比例。适用于漏报代价较高的情况（例如疾病检测）。
- F1 分数 (F1-Score)
解释：精确率和召回率的调和平均，适用于当精确率和召回率都很重要时。
-
AUC-ROC 曲线
解释：ROC 曲线绘制了真阳性率 (Recall) 与假阳性率 (False Positive Rate) 的关系。AUC 表示曲线下的面积，越接近 1 表示分类效果越好。
适用场景：评估分类器的整体性能，尤其适用于不平衡数据。 -
混淆矩阵 (Confusion Matrix)
解释：混淆矩阵用于显示分类器的预测结果，包括 TP（真阳性）、TN（真阴性）、FP（假阳性）和 FN（假阴性），可用于分析分类器的性能。 -
Kappa 系数 (Cohen’s Kappa)
解释：Kappa 系数用于评估分类模型相对于随机分类的改进，适合多分类问题和类别不平衡问题。
9. 平均精度 (Average Precision, AP)
解释：AP 衡量模型在不同的阈值下的精确率和召回率之间的平衡，常用于目标检测、信息检索等任务。
回归评估指标
- 均方误差 (Mean Squared Error, MSE)
解释：预测值与真实值的平方误差的平均值。MSE 对异常值敏感，因为误差的平方会放大较大的误差。
2. 均方根误差 (Root Mean Squared Error, RMSE)
解释：MSE 的平方根，表示预测值与真实值之间的平均误差，常用于对误差进行单位标准化。
3. 平均绝对误差 (Mean Absolute Error, MAE)
解释：预测值与真实值的绝对误差的平均值。MAE 对异常值不如 MSE 敏感。
4. 决定系数 (R², R-Squared)
解释：用于衡量模型的拟合优度，R² 值越接近 1，说明模型对数据的解释能力越强；如果为负，表示模型不如基线模型。
5. 解释方差分数 (Explained Variance Score)
解释：该指标衡量模型解释数据变化的能力，数值越接近 1 越好。
6. 最大误差 (Max Error)
解释：衡量模型预测误差的最大值，常用于理解模型的最坏情况表现。
7. 对数均方误差 (Mean Squared Log Error, MSLE)
解释：用于衡量预测值和真实值之间的比例差异，对应于真实值的大小进行缩放处理，适用于目标值存在指数级变化的情况。
总结：
分类评估指标：
Accuracy：适合类平衡数据。
Precision、Recall：适合误报、漏报代价不同的场景。
F1-Score：适合 Precision 和 Recall 同时重要的场景。
AUC-ROC：用于评估模型整体性能。
Confusion Matrix：用于分析分类错误的分布。
Cohen’s Kappa：处理类别不平衡时的评估。
Average Precision (AP)：衡量不同阈值下的精确率和召回率。
回归评估指标：
MSE 和 RMSE：衡量预测值与真实值的平方差。
MAE：用于衡量预测值与真实值的绝对误差。
R²：用于评估模型的解释能力。
Explained Variance：用于解释模型解释数据变化的能力。
MSLE：用于处理目标值变化范围较大的情况。
你可以根据具体的任务类型（分类或回归）和评估需求，选择合适的评估指标。
