? ? ? ? 模型除了從數據劃分的角度來評估，我上一篇文章介紹了數據集劃分的角度：

【機器學習300問】24、模型評估的常見方法有哪些？http://t.csdnimg.cn/LRyEt

還可以從一些指標的角度來評估，這篇文章就帶大家從兩個最經典的任務場景介紹。

一、回歸問題

（1）MSE（Mean Squared Error，均方誤差）

MSE衡量的是預測值與真實值之間差別的平方平均數。公式為：

其中，是真實的觀測值，是模型預測的值，n是樣本數量。MSE對誤差進行平方處理，因此它更關注大誤差，且其單位與目標變量相同但是平方。

（2）RMSE?（Root Mean Squared Error，均方根誤差）

RMSE是MSE的平方根，用于將MSE的結果轉換回原始尺度，與y變量的量綱相同，這樣結果更容易解讀。公式為：

二、分類問題

（1）Accuracy (準確率)

準確率是最直觀的性能度量之一，計算的是分類正確的樣本數占總樣本數的比例。然而，在類別不平衡的情況下，準確率可能不夠全面。公式為：

TP是真正例（實際正類被正確預測），TN是真負例（實際負類被正確預測），FP是假正例（實際負類被錯誤預測為正類），FN是假負例（實際正類被錯誤預測為負類）。

（2）Precision (精確率)

精確率是指模型預測為正類的樣本中真正是正類的比例，即預測正確的正例占所有預測為正例的比例。公式為：

（3）Recall (召回率)

召回率表示模型識別出所有正類的能力，即實際正類中被正確預測的比例。

（4）ROC曲線（Receiver Operating Characteristic Curve）

ROC曲線是基于不同的閾值下，模型的真正例率（True Positive Rate, TPR）和假正例率（False Positive Rate, FPR）的關系繪制的曲線。曲線下面積（AUC-ROC）可以用來作為整體評價分類器性能的一個綜合指標，AUC越大，說明分類器在各個閾值下的表現越好。

（5）F1分數（F1-Score）

F1分數（F1-Score）是二分類或多分類問題中一個常用的性能度量指標，它結合了精確率（Precision）和召回率（Recall）兩個評價指標，是精確率與召回率的調和平均值，衡量的是精確率和召回率的平衡。在二分類問題中，F1分數的計算公式如下：