在機器學習蝗碎、數(shù)據(jù)挖掘猛蔽、推薦系統(tǒng)完成建模之后剥悟，需要對模型的效果做評價。
業(yè)內(nèi)目前常常采用的評價指標有準確率(Precision)曼库、召回率(Recall)区岗、F值(F-Measure)等，下圖是不同機器學習算法的評價指標：
混淆矩陣：
True Positive(真正毁枯，TP)：將正類預測為正類數(shù)
True Negative(真負慈缔，TN)：將負類預測為負類數(shù)
False Positive(假正，F(xiàn)P)：將負類預測為正類數(shù)誤報 (Type I error)
False Negative(假負种玛，F(xiàn)N)：將正類預測為負類數(shù)→漏報 (Type II error)
1藐鹤、準確率（Accuracy）
準確率(accuracy)計算公式為：
2、錯誤率（Error rate）
錯誤率則與準確率相反蒂誉，描述被分類器錯分的比例教藻，error rate = (FP+FN)/(TP+TN+FP+FN)，對某一個實例來說右锨，分對與分錯是互斥事件括堤，所以accuracy =1 - error rate。
3、靈敏度（sensitive）
sensitive = TP/P悄窃，表示的是所有正例中被分對的比例讥电，衡量了分類器對正例的識別能力。
4轧抗、特效度（specificity）
specificity = TN/N恩敌，表示的是所有負例中被分對的比例，衡量了分類器對負例的識別能力横媚。
5纠炮、精確率（Precision）
精確率(precision)定義為：
6、召回率（recall）/ 查全率
召回率是覆蓋面的度量灯蝴，度量有多少個正例被分為正例恢口，recall=TP/P=sensitive，可以看到召回率與靈敏度是一樣的穷躁。
7耕肩、綜合評價指標（F-Measure）/（F-Score）
Precision和Recall指標有時候會出現(xiàn)的矛盾的情況，這樣就需要綜合考慮他們问潭，最常見的方法就是F-Measure（又稱為F-Score）猿诸。
F-Measure是Precision和Recall加權(quán)調(diào)和平均：
當參數(shù)α=1時，就是最常見的F1-Score狡忙，也即
可知 F1-Score 綜合了 Precision 和 Recall 的結(jié)果梳虽，當F1-Score較高時則能說明試驗方法比較有效。
8去枷、ROC曲線：
ROC（Receiver Operating Characteristic）曲線是以假正率（FP_rate）和真正率（TP_rate）為軸的曲線怖辆，ROC曲線下面的面積我們叫做AUC，如下圖所示：
其中：
（1）曲線與FP_rate軸圍成的面積（記作AUC）越大删顶，說明性能越好竖螃，即圖上L2曲線對應的性能優(yōu)于曲線L1對應的性能。即：曲線越靠近A點（左上方）性能越好逗余，曲線越靠近B點（右下方）曲線性能越差特咆。
（2）A點是最完美的Performance點，B處是性能最差點录粱。
（3）位于C-D線上的點說明算法性能和隨機猜測是一樣的–如C腻格、D、E點啥繁。位于C-D之上（即曲線位于白色的三角形內(nèi)）說明算法性能優(yōu)于隨機猜測–如G點菜职，位于C-D之下（即曲線位于灰色的三角形內(nèi)）說明算法性能差于隨機猜測–如F點。
（4）雖然ROC曲線相比較于Precision和Recall等衡量指標更加合理旗闽，但是其在高不平衡數(shù)據(jù)條件下的的表現(xiàn)仍然過于理想酬核，不能夠很好的展示實際情況蜜另。
9、PR曲線：
PR（Precision-Recall）曲線嫡意。
舉個例子（例子來自Paper：Learning from eImbalanced Data）：
假設N_c >> P_c（即Negative的數(shù)量遠遠大于Positive的數(shù)量）举瑰，若FP很大，即有很多N（假）的樣本被預測為P（真）蔬螟，因為
此迅，因此FP_rate的值仍然很小（如果利用ROC曲線則會判斷其性能很好旧巾，但是實際上其性能并不好）耸序，但是如果利用PR，因為Precision綜合考慮了TP和FP的值菠齿，因此在數(shù)據(jù)極度不平衡的情況下（Positive的樣本相對較少）佑吝，PR曲線可能比ROC曲線更實用。
10绳匀、MSE（Mean Square Error）均方誤差
MSE是真實值與預測值的差值的平方然后求和平均 ; 通過平方的形式便于求導，所以常被用作線性回歸的損失函數(shù)炸客。
11疾棵、MAE（Mean Absolute Error）平均絕對誤差
MAE是絕對誤差的平均值;可以更好地反映預測值誤差的實際情況。
