常见评价指标总结

有网友碰到这样的问题“常见评价指标总结”。小编为您整理了以下解决方案，希望对您有帮助：

解决方案1：

回归常见的评价指标与局限性：

MSE(均方误差)引入为解决初始平方差公式中误差值随样本数量变化的问题，但其在量纲上的问题可能导致决策失误。引入RMSE(均方根误差)解决了量纲问题，使其更具实用性。

MAE(平均绝对误差)与RMSE的区别在于量纲敏感性，MAE更直观反映真实误差。

评价指标的局限性在于缺乏明确的上限或下限，难以准确评判模型效果。引入R方(R Squared)作为新的指标，通过与基准模型比较，将回归评价归一化到0~1之间，提供了统一的评价标准。

分类常见的评价指标与局限性：

准确率在类别不平衡时无法准确反映模型性能，类别的判断依赖阈值选择，导致结果不稳定。

混淆矩阵通过TP(真正正例)、TN(真正负例)、FP(假正例)、FN(假负例)提供全面的分类性能描述，查准率(Precision)和查全率(Recall)分别衡量分类的准确性和完整性，阈值选择影响评估结果。

F1分数综合考虑Precision和Recall，提供一个平衡的评估指标，适用于调整对准确率和召回率的重视程度。

log_loss(交叉熵损失)将损失函数作为评估指标，用于多分类问题，但没有明确的上下限，不同问题间比较困难。

零一分类损失为简单评估指标，仅考虑分类正确与否，遇到类别不平衡问题时效果不佳。

ROC曲线通过计算TPR(真阳性率)和FPR(假阳性率)，绘制出ROC曲线，用于评估分类器性能，AUC值越大表示分类器性能越好。

KS指标和ks曲线专注于区分正负样本的能力，适合确定阈值，但无法全面反映模型整体性能。

PSI指标衡量模型和特征的稳定性，用于评估模型在不同数据集上的表现一致性。

AUC表示随机选取正负样本时，负样本排序大于正样本排序的概率，评估分类器区分正负样本的能力。