【基础】模型评估指标及其解释

# 1. 模型评估概述**

模型评估是机器学习过程中至关重要的一步，它可以帮助我们了解模型的性能，并指导模型的改进。模型评估涉及使用各种指标来量化模型在预测任务上的表现。这些指标可以分为两大类：回归模型评估指标和分类模型评估指标。

# 2. 回归模型评估指标

回归模型评估指标用于衡量回归模型的性能，评估其预测连续目标变量的能力。常见的回归模型评估指标包括均方根误差 (RMSE)、平均绝对误差 (MAE) 和决定系数 (R²)。

### 2.1 均方根误差 (RMSE)

**2.1.1 定义和计算**

均方根误差 (RMSE) 是回归模型评估中最常用的指标之一。它衡量预测值与真实值之间的平均平方差的平方根。RMSE 的计算公式如下：

RMSE = sqrt(mean((y_true - y_pred) ** 2))

其中：

* `y_true` 是真实值
* `y_pred` 是预测值

**2.1.2 优点和缺点**

* **优点：** RMSE 易于理解和解释，因为它表示预测误差的平均幅度。RMSE 对异常值比较敏感，这可能导致误导性的结果。
* **缺点：** RMSE 对异常值比较敏感，这可能导致误导性的结果。此外，RMSE 具有相同的单位与目标变量，因此它可能难以跨不同数据集进行比较。

### 2.2 平均绝对误差 (MAE)

**2.2.1 定义和计算**

平均绝对误差 (MAE) 是另一种常用的回归模型评估指标。它衡量预测值与真实值之间的平均绝对差。MAE 的计算公式如下：

MAE = mean(abs(y_true - y_pred))

其中：

* `y_true` 是真实值
* `y_pred` 是预测值

**2.2.2 优点和缺点**

* **优点：** MAE 对异常值不敏感，因为它只考虑预测误差的绝对值。MAE 易于理解和解释，因为它表示预测误差的平均幅度。
* **缺点：** MAE 不像 RMSE 那样惩罚较大的误差，因此它可能低估模型的性能。此外，MAE 具有相同的单位与目标变量，因此它可能难以跨不同数据集进行比较。

### 2.3 决定系数 (R²)

**2.3.1 定义和计算**

决定系数 (R²) 是回归模型评估中使用的第三个常见指标。它衡量模型预测值与真实值之间的相关性。R² 的计算公式如下：

R² = 1 - (sum((y_true -