模型评估是机器学习流程中至关重要的一环，它帮助我们判断模型是否真正有效。以下是关键知识点梳理：
基本概念
- 模型评估：通过数据验证模型泛化能力，确保其在未知数据上的表现 ✅
- 评估指标：根据任务类型选择合适标准，如分类任务常用 准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1分数 ⚠️
- 过拟合/欠拟合：模型在训练集表现好但测试集差（过拟合），或两者都表现差（欠拟合） ❌
常用评估方法
- 交叉验证：将数据分为多个子集，循环验证模型稳定性 🔄
- 混淆矩阵：可视化分类结果，直观分析误差类型 📊
- ROC曲线与AUC值：评估二分类模型的区分能力 📈
注意事项
- 避免使用训练数据作为评估数据，否则无法反映真实性能 ⚠️
- 对于不平衡数据集，准确率可能不具参考价值，需关注 精确率/召回率 🔍
- 模型评估应结合业务场景，例如医疗诊断需更高召回率，而推荐系统需更高精确率 💡