1.模型评估 (Model Assessment)

笔记来源于《白话机器学习的数学》

我们训练好模型后，要对知道这个模型到底好不好，定量描述这个模型好坏就是模型评估

把获取的全部训练数据分成两份：一份用于测试，一份用于训练。然后用前者来评估模型。大多数情况会采用 3 : 7 或者 2 : 8 这种训练数据更多的比例
把全部训练数据分为测试数据和训练数据的做法称为交叉验证

假如我们要进行 4 折交叉验证，那么就会这样测量精度

不切实际地增加 K 值会非常耗费时间，所以我们必须要确定一个合适的 K 值

1.1 回归问题的验证

对于回归的情况，只要在训练好的模型上计算测试数据的误差的平方，再取其平均值就可以了。（其实是个误差函数，回归问题的目标函数也是误差函数）
测试数据有 n 个，则均方误差（MSE）

MSE越小，精度就越高，模型也就越好
除了MSE外，还有均方根误差（RMSE）、平均绝对误差（MAE）、均方根对数误差(RMSLE)等

1.2 分类问题的验证

精度（Accuracy）
表示在整个数据集中，被正确分类的数据 TP 和 TN 所占的比例，得到精度基本可以掌握分类结果的整体的精度了

精确率（Precision）（以TP为主）
在被分类为 Positive 的数据中，本来就是 True 的数据所占的比例

精确率（Precision）（以TN为主）

召回率（Recall）（以TP为主）
在True数据中，实际被分类为 Positive 的数据所占的比例



召回率（Recall）（以TN为主）

怎么选择用以TP为主的精确率和召回率还是用以TN为主的？

当数据不平衡时，使用数量少的那个会更好
如果 Positive 少，就使用 TP为主的
如果 Negative 少，就使用 TN为主的

通常情况下精确率和召回率会一个高一个低，需要我们取舍，有些麻烦

F1值
精确率和召回率的调和平均值

带权重的F值
$\beta$为权重，权重为1时就是上式