机器学习模型需要有量化的评估指标来评估哪些模型的效果更好。

本文将用通俗易懂的方式讲解分类问题的混淆矩阵和各种评估指标的计算公式。将要给大家介绍的评估指标有：准确率、精准率、召回率、F1、ROC曲线、AUC曲线。

机器学习评估指标大全

所有事情都需要评估好坏，尤其是量化的评估指标。

• 高考成绩用来评估学生的学习能力
• 杠铃的重量用来评估肌肉的力量
• 跑分用来评估手机的综合性能

机器学习有很多评估的指标。有了这些指标我们就横向的比较哪些模型的表现更好。我们先从整体上来看看主流的评估指标都有哪些：

分类问题评估指标：

1. 准确率 – Accuracy
2. 精确率（差准率）- Precision
3. 召回率（查全率）- Recall
4. F1分数
5. ROC曲线
6. AUC曲线

回归问题评估指标：

1. MAE
2. MSE

分类问题图解

为了方便大家理解各项指标的计算方式，我们用具体的例子将分类问题进行图解，帮助大家快速理解分类中出现的各种情况。

举个例子：

我们有10张照片，5张男性、5张女性。如下图：

有一个判断性别的机器学习模型，当我们使用它来判断「是否为男性」时，会出现4种情况。如下图：