在机器学习模型训练中，评估指标是衡量模型性能的核心工具。以下为常见指标及应用场景：

基础指标 🎯

  • 准确率（Accuracy）
    用于分类任务，计算正确预测样本占比

    准确率
    [了解更多分类指标](/tutorials/model_training)

  • 精确率（Precision）
    衡量预测为正类的样本中实际为正类的比例

    精确率

  • 召回率（Recall）
    表示实际正类样本中被正确预测的比例

    召回率

高级指标 📈

  • F1分数
    精确率与召回率的调和平均，适用于类别不平衡场景

    F1_分数

  • ROC曲线 & AUC值
    通过绘制真阳性率与假阳性率曲线，评估分类器整体表现

    ROC_曲线_AUC_值

  • 混淆矩阵（Confusion Matrix）
    视觉化展示分类结果的矩阵，便于分析错误类型

    混淆矩阵

指标选择建议 🧩

  • 回归任务：均方误差（MSE）、平均绝对误差（MAE）
  • 分类任务：交叉熵（CrossEntropy）、F1分数
  • 聚类任务：轮廓系数（Silhouette Score）

点击扩展阅读：模型训练与评估方法