在机器学习领域，模型评估指标是衡量算法性能的关键工具。以下是常见指标及其说明：
核心指标概览
📊 准确率（Accuracy）：正确预测占总预测的比例，适用于类别平衡的数据集
🔍 精确率（Precision）：预测为正类的样本中实际为正类的比例
📈 召回率（Recall）：实际正类样本中被正确预测的比例
🧩 F1分数：精确率和召回率的调和平均，适用于类别不平衡场景
📈 AUC-ROC曲线：通过ROC曲线下的面积衡量分类器整体性能
指标选择建议
- 对于医疗诊断等高风险场景，建议优先使用精确率和召回率的组合评估
- 在推荐系统中，AUC-ROC能更直观反映排序能力
- 模型迭代时，可对比不同指标的变化趋势
如需深入了解模型评估术语，可访问 模型术语指南 进行扩展阅读。