?常用機器學習算法包括分類、回歸、聚類等幾大類型，以下針對不同模型總結其評估指標

一、分類模型

常見的分類模型包括：邏輯回歸、決策樹、樸素貝葉斯、SVM、神經網絡等，模型評估指標包括以下幾種：

（1）二分類問題

　　（a）混淆矩陣

　　　　準確率A：預測正確個數占總數的比例

　　　　精準率P：正例樣本中有多少被預測正確了

　　　　召回率R：預測的正例樣本中有多少是正確的

　　　　F1 Score（精準率與召回率集成）：2P*R/(P+R)

　　（b）ROC曲線：ROC曲線應盡量偏離參考線，越靠近左上越好

　　（c）AUC：ROC曲線下面積，參考線面積為0.5，AUC應大于0.5，且偏離越多越好

　　（d）Lift曲線：表示“運用該模型”與“未運用該模型即隨機選擇”所得結果的比值，Lift應該移植大于1，且Lift(提升指數)越大，模型預測效果越好

（2）多分類問題

　　評價多分類模型一般采用準確率作為評估指標

二、回歸模型

常見的回歸模型包括線性回歸、多項式回歸、Lasso回歸、嶺回歸、彈性網絡、SVM、神經網絡，評估指標見以下總結

（1）MSE

　　均方誤差，SSE/m，值越小代表擬合效果越好，用來衡量不同模型對于同一數據集的擬合效果

（2）R^2

　　決定系數，1-SSE/SST，用于度量模型的解釋能力，是相關系數的平方，取值范圍為0~1，越接近1表示模型參考價值越高，在scikit-learn中LinearRegression.score就是使用的決定系數，也可以使用專門的庫metrics.r2_score

（3）修正的R^2

　　在多元線性回歸中，決定系數會虛高，加一個自變量就會增大，加公式進行修正? 1-[SSE/(n-p-1)/[SST/(n-1)]，得到修正的決定系數

三、聚類模型

常見的聚類模型有KMeans、密度聚類、層次聚類等，主要從簇內的稠密成都和簇間的離散程度來評估聚類的效果，評估指標包括：

（1）輪廓系數 Silhouette Corfficient

　　輪廓系數由凝聚度和分離度共同構成，組內SSE越小，組間SSB越大，聚類效果越好，輪廓系數在-1~1之間，值越大，聚類效果越好

（2）協方差系數 Calinski-Harabaz Index

　　類別內部數據協方差越小越好，類別之間協方差越大越好，這樣協方差系數會越高。

轉載于:https://www.cnblogs.com/dearL/p/9484728.html

創作挑戰賽新人創作獎勵來咯，堅持創作打卡瓜分現金大獎

總結

以上是生活随笔為你收集整理的机器学习模型评估指标总结的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。