机器学习性能优化的6个指标

根据要进行的机器学习的类型，有许多度量标准可以衡量机器学习模型的性能。在本文中，我们研究了分类和回归模型的性能指标，并讨论了优化效果更好的指标。有时，要看的指标会根据最初要解决的问题而有所不同。

分类问题的优化 分类表示例

分类图示例：

来源 1.真实肯定（召回）

真实肯定率（也称为召回率）是二进制/非二进制分类问题中的首选性能指标。在大多数时间（如果不是所有时间）中，我们只对正确预测一个类感兴趣。例如，如果您正在预测糖尿病，则比起预测此人没有糖尿病，您将更关心预测此人是否患有糖尿病。在这种情况下，积极的等级是“这个人患有糖尿病”，而消极的等级是“这个人没有糖尿病”。这只是预测肯定类别的准确性

这不是准确性性能指标。有关更多详细信息，请参见下面的数字4。

2.ROC曲线（接收机工作特性曲线）

ROC曲线显示分类模型在不同阈值（分类到特定类别的可能性）下的性能。它绘制了真假阳性率和假阳性率。降低阈值将增加您的真实肯定率，但会牺牲您的错误肯定率，反之亦然。

3.AUC（曲线下面积） AUC也称为“ ROC曲线下的面积”。

简而言之，AUC会告诉您正确分类的可能性。较高的AUC代表更好的模型。

4.准确性

默认情况下，精度是第一要注意的事情。但是，真正的数据科学家知道准确性太误导了。一种更好的称呼方法是预测所有类别的平均准确性。就像我在True True Rate中提到的那样，它是最理想的指标。准确度将取“真正值”和“真负值”之和的平均值。大多数情况下，在不平衡的分类问题中，负类比正类的代表更多，因此您更有可能具有很高的真负率。然后，准确性将偏向于负面类别的准确预测，这可能不会引起任何人的兴趣。

机器学习中的回归优化 回归图示例

回归图示例：

来源 5.错误

该错误通常会在R2旁边被忽略，它告诉我们更多有关拟合值到回归线（即，拟合值和最佳拟合线之间的平均距离）的精度的信息。在计算模型的置信度和预测间隔时，这一点尤为重要。由于使用了响应变量的自然单位，因此更易于解释，而R2没有单位，并且仅在0到1之间。

有不同类型的误差，例如平均绝对误差和均方根误差。每个模型都有其优点和缺点，必须独立对待以评估模型。

6.R2

现在，尽管“标准误差”很重要，但R2已成为良好回归模型的实际度量。它告诉我们模型解释了因变量和自变量之间的差异。较高的R2会给出更好的模型，但是，如果过高（接近99％），则有时会导致过度拟合的风险。 R2可能会引起误导，因为相关性与因果关系的争论可能会给R2带来不合逻辑的高值。

用户的目标将影响模型的性能-因此请谨慎选择

精度并非始终是分类问题中的最佳度量，R2可能不是回归的最佳方法。无疑，它们都是最容易理解的，尤其是对于非技术利益相关者而言（这可能是首先构建模型的最大原因）。最好的方法可能是考虑各种性能指标并考虑您的最初目标。模型的性能始终取决于用户的目标。从一个人的角度来看，表现不佳对于另一个人而言可能并非如此。

本文编译自 | dzone.com 作者 | Willas 译者 | Yafei

转载请联系后台获得申请，否则将按照对应平台的规则投诉处理。