本文主要向大家介绍了机器学习入门之机器学习中常用评估指标汇总，通过具体的内容向大家展现，希望对大家学习机器学习入门有所帮助。

评估指标 Evaluation metrics 可以说明模型的性能，辨别模型的结果。

我们建立一个模型后，计算指标，从指标获取反馈，再继续改进模型，直到达到理想的准确度。在预测之前检查模型的准确度至关重要，而不应该建立一个模型后，就直接将模型应用到看不见的数据上。

今天先来简单介绍几种回归和分类常用的评估方法。

回归：

均方误差：

其中 D 为数据分布，p 为概率密度函数。

from sklearn.metrics import mean_squared_error
y_true = [3, -0.5, 2, 7]
y_pred = [2.5, 0.0, 2, 8]
mean_squared_error(y_true, y_pred)0.375

分类：

二分类 and 多分类：

错误率

精度

二分类

混淆矩阵：

from sklearn.metrics import confusion_matrix
pipe_svc.fit(X_train, y_train)
y_pred = pipe_svc.predict(X_test)
confmat = confusion_matrix(y_true=y_test, y_pred=y_pred)
print(confmat)

[[71  1]
[ 2 40]]

单纯用 错误率，精度 是无法知道下面的问题时：

查准率：
应用场景－当你想知道“挑出的西瓜中有多少比例是好瓜”

from sklearn.metrics import precision_scorefrom sklearn.metrics  import recall_score, f1_score
print('Precision: %.3f' % precision_score(y_true=y_test, y_pred=y_pred))

Precision: 0.976

查全率：
应用场景－当你想知道“所有好瓜盅有多少比例被挑出来了”

print('Recall: %.3f' % recall_score(y_true=y_test, y_pred=y_pred))

Recall: 0.952

P－R 图：
当一个学习器的 P－R 曲线被另一个学习器的包住，那么后者性能优于前者。
有交叉时，需要在具体的查准率或者查全率下进行比较。

平衡点 (Break Event Point BEP)：
即上图中三个红点。
综合考虑查准率，查全率的度量
当 查准率＝查全率 时的点，谁大谁比较优。

F1 度量：
也是综合考虑查准率，查全率的度量，比 BEP 更常用：

print('F1: %.3f' % f1_score(y_true=y_test, y_pred=y_pred))

F1: 0.964

Fβ：
可以表达对查准率，查全率的不同重视度，
β > 1 则查全率有更大影响，β < 1 则查准率有更大影响，β ＝ 1 则为 F1。

One vs. All (OvA) 分类问题

这时会在 n 个二分类问题上综合考虑查准率，查全率。

宏～ ：先在每个混淆矩阵上计算率，再求平均

宏查准率

宏查全率

宏 F1

微～ ：先将各个混淆矩阵上对应元素求平均，再计算率

微查准率

微查全率

微 F1

ROC ：
反映敏感性和特异性连续变量的综合指标，roc曲线上每个点反映着对同一信号刺激的感受性。

纵轴为 TPR 真正例率，预测为正且实际为正的样本占所有正例样本的比例
横轴为 FPR 假正例率。预测为正但实际为负的样本占所有负例样本的比例

对角线对应的是 “随机猜想”

当一个学习器的 ROC 曲线被另一个学习器的包住，那么后者性能优于前者。
有交叉时，需要用 AUC 进行比较。

AUC：
ROC 曲线下的面积

import numpy as np
from sklearn.metrics import roc_auc_score
y_true = np.array([0, 0, 1, 1])
y_scores = np.array([0.1, 0.4, 0.35, 0.8])
roc_auc_score(y_true, y_scores)0.75

代价敏感

现实任务中，当不同类型的错误具有不同的影响后果时，它们的代价也是不一样的。

此时，可以设定
代价矩阵 cost matrix：
如果将第 0 类预测为 第 1 类造成的损失更大，则 cost01 > cost10，相反将第 1 类预测为 第 0 类造成的损失更大，则 cost01 < cost10 :

则带有“代价敏感”的错误率为：

其中 0 为正类，1 为反类，D＋ 为正例子集合，D－ 为反例子集合。

代价曲线 cost curve：
非均等代价下，反应学习器的期望总体代价。
横轴为取值为［0，1］的正例概率代价：

纵轴为取值为［0，1］的归一化代价：

其中 p 为正例的概率，FPR ＝ 1 - TPR。

本文由职坐标整理并发布，希望对同学们有所帮助。了解更多详情请关注职坐标人工智能机器学习频道！