机器学习模型的评估是验证模型性能的关键步骤，以下是核心方法与指标：
1. 常用评估指标
- ✅ 准确率（Accuracy）：正确预测占总预测的比例
- 🔍 精确率（Precision）与召回率（Recall）：
- 精确率：预测为正类的样本中实际为正类的比例
- 召回率：实际正类样本中被正确预测的比例
- 📈 F1 Score：精确率与召回率的调和平均数，适用于类别不平衡场景
- 📊 ROC曲线与AUC值：通过真阳性率与假阳性率绘制曲线，AUC值越高模型性能越好
2. 交叉验证（Cross-Validation）
- 🔄 K折交叉验证：将数据分为K份，循环训练与测试K次以减少方差
- ⚙️ 留一法（Leave-One-Out）：每次用一个样本作为测试集，适合小数据集
3. 模型对比与选择
- 📋 使用混淆矩阵（Confusion Matrix）直观分析分类错误
- 📊 可视化对比不同模型的性能曲线，如学习曲线、验证曲线
扩展阅读
如需深入了解模型优化技巧，可访问 /tutorials/machine_learning/optimization 查看相关教程。