机器学习中评估分类模型性能的重要指标分析总结.docx
版权申诉
187 浏览量
2022-11-05
12:30:28
上传
评论
收藏 872KB DOCX 举报
机器学习中评估分类模型性能的重要指标分析总结
构建机器学习模型的想法应基于建设性的反馈原则。你
可以构建模型，从指标得到反馈，不断改进，直到达到理想
的准确度。评估指标能体现模型的运转情况。评估指标的一
个重要作用在于能够区分众多模型的结果。
很多分析师和数据科学家甚至都不愿意去检查其模型的
鲁棒性。一旦完成了模型的构建，他们就会急忙将预测值应
用到不可见的数据上。这种方法不正确。
我们的目的不能是简单地构建一个预测模型。目的是关
于创建和选择一个对样本以外数据也能做到高精度的模型。
因此，在计算预测值之前，检查模型的准确性至关重要。
在这个行业中，大家会考虑用不同类型的指标来评估模
型。指标的选择完全取决于模型的类型和执行模型的计划。
模型构建完成后，这 11 个指标将帮助评估模型的准确
性。考虑到交叉验证的日益普及和重要性，本文中也提到了
它的一些原理。
预测模型的类型
说到预测模型，大家谈论的要么是回归模型（连续输
出），要么是分类模型（离散输出或二进制输出）。每种模
型中使用的评估指标都不同。
在分类问题中，一般使用两种类型的算法（取决于其创
建的输出类型）：
1. 类输出： SVM 和 KNN 等算法创建类输出。例如，在二
进制分类问题中，输出值将为 0 或 1。但如今，有算法可以
将这些类输出转换为概率输出。但是，统计圈并不是很乐意
接受这些算法。
2. 概率输出：逻辑回归 ( Logistic Regression ) ，随
机 森 林 ( Random Forest ) ， 梯 度 递 增 ( Gradient
Boosting ) ，Adaboost 等算法会产生概率输出。将概率输出
转换为类输出只是创建一个阈值概率的问题。
1
剩余18页未读，继续阅读
资源评论
