模型評估：對預測函數地預測精度的評估。

多重回歸：涉及三個及其以上的變量的回歸問題。

評估模型的方法：

交叉驗證：將數據集分成測試集和訓練集，可以采用3：7或者2：8的比例方式進行劃分，使用測試集進行對模型的評估，對測試數據計算測試數據的誤差的平方，再取其平均值，也就是以前提及的均方差MSE（Mean Square Error，誤差越小，精度越高）：

TP：True Positive，預測正確(T)，實際為正，預測為正

FP：False Positive，預測錯誤(F)，實際為負，預測為正

TN：True Negative，預測正確(T)，實際為負，預測為負

FN：False Negative，預測錯誤(F)，實際為正，預測為負

分類準確率公式：其值越高，則模型精度越高，意味著模型越好（在數據量平衡的情況下）
?

如何在不考慮數據量是否均衡的情況下，使得其能更好評估模型，這就涉及精確率公式：

該值越高，說明被錯誤分類的樣本越少

同時還有另外一個評估模型的指標公式，其為召回率Recall：

三個公式總結圖：

所以一般評估模型采用分類準確率acc、精確率P、召回率R來綜合來評價一個模型。但是一般來說，精確率P和召回率R會一個高一個低，需要對其進行取舍。所以為了更為全面的評估一個模型的好壞，故引入F值，F值是能夠綜合評定模型性能的指標。F值的公式如下所示：

該F值的公式稱為F1值更為準確，因為這是在β權重為1時的公式表達式，F1值為精確率和召回率的調和平均值。其更為普適的公式為Fβ公式：

在計算P、R、F值的時，統計的對象可能是TP，也可以是TN。那么我們該如何選擇呢？
當面對數據不平衡的情況，使用數據較少的數據集作為統計對象，來計算其對應的P、R、F值。即用數量少的。

K折交叉驗證：

不單單可以將數據分成3：7或者2：8，這里有一個K折交叉驗證，將全部的數據集劃分為K份，將K-1份數據作為訓練數據，剩下的一份作為測試數據，然后每次更好訓練數據和測試數據，重復K次交叉驗證。再最后計算K個精度的平均值，作為其最終的精度。

那么K折交叉驗證的K值的確定怎么設定合適呢？

設定過大，會增加時間的耗費。所以只能盡可能憑借經驗確定一個合適的K值。