在本文中，我們將討論機器學習中回歸和分類的各種指標。我們總是想到建模一個好的機器學習算法所涉及的步驟。第一步是評估模型優劣的指標。當我們擬合模型并做出預測時，我們總是嘗試了解誤差和準確性。本文將嘗試提供并解釋回歸和分類中的各種錯誤度量方法。

有一些標準可以評估模型的預測質量，如下所示：

• 度量函數：我們將在本文中進行研究。
• 估計器評分方法：此方法具有評估解決問題的評分方法。
• 評分參數：該評分參數告訴估算人員選擇度量與模型的評估grid_search.GridSearchCV和cross_validation.cross_val_score

基本定義

估計器：它是一個函數或方程式，用于預測實際數據點上的更準確的建模點。
要知道的技巧
評估方法中有兩點需要注意，如下所示：

• 首先，某些方法以score單詞結尾，這意味著價值來自于此，它決定了基本事實。在這種情況下，如果數字較高，則更好。
• 第二個，如果單詞以error或結尾loss。在這種情況下，數量越少越好。

回歸指標
評估回歸性能的指標如下：

1. 解釋方差得分：此指標評估數據點的變化或離散度。

• 該指標的公式如下所示：

python中的示例：

#從sklearn導入差異分數 
from sklearn.metrics import explained_variance_score 
true_values = [5, 2.5, 3, 6] 
predicted_values = [4.5, 2.9, 3, 7] 
explained_variance_score(true_values, predicted_values) 
#output: 
0.8525190839694656 

2.最大誤差：此度量標準將計算真實值和預測值之間的最差值。

• 最大誤差的公式如下所示：

python中的示例

from sklearn.metrics import max_error 
true_values = [5, 2.5, 3, 6] 
predicted_values = [4.5, 2.9, 3, 8] 
max_error(true_values, predicted_values) 
#output: 
2 

 3.平均絕對誤差：此度量標準計算真實值和預測值之差的平均誤差。該度量對應于l1-范數損失。

• 該指標的公式如下所示：

python中的示例

from sklearn.metrics import mean_absolute_error 
true_values = [5, 2.5, 3, 6] 
predicted_values = [4.5, 2.9, 3, 7] 
mean_absolute_error(true_values, predicted_values) 
#output: 
0.475 

3.均方誤差：此度量標準計算二次誤差或損失。

• 公式如下所示：

python中的示例

from sklearn.metrics import mean_squared_error 
true_values = [5, 2.5, 3, 6] 
predicted_values = [4.5, 2.9, 3, 7] 
mean_squared_error(true_values, predicted_values) 
#output: 
0.3525 

4. R平方得分：此度量標準從均值或估計量（如擬合的回歸線）計算數據的分布。通常稱為“確定系數”。

• 該指標的公式如下：

python中的示例

from sklearn.metrics import r2_score 
true_values = [5, 2.5, 3, 6] 
predicted_values = [4.5, 2.9, 3, 7] 
r2_score(true_values, predicted_values) 
#output: 
0.8277862595419847 

分類指標

評估分類效果的指標如下：

1. 準確性得分：此度量標準計算真實值的準確性等于預測值，然后返回分數的分數，否則，如果歸一化參數為FALSE，則它將返回真實預測值的總數。

公式如下：

python中的示例

from sklearn.metrics import accuracy_score 
true_values = [5, 2, 3, 6] 
predicted_values = [4, 3, 3, 6] 
accuracy_score(true_values, predicted_values) 

2.分類報告：此度量標準計算的報告包含分類問題的精度，召回率和F1得分。

Python范例

from sklearn.metrics import classification_report 
true_values = [3, 4, 3, 6] 
predicted_values = [4, 3, 3, 6] 
target_names = ['Apple', 'Orange', 'Kiwi'] 
print(classification_report(true_values, predicted_values, target_names=target_names)) 

3.鉸鏈損耗：此損耗計算數據點和模型預測點之間的平均距離。SVM算法中也使用它來獲得最大邊際。

• 公式如下所示：

python中的示例

from sklearn import svm 
from sklearn.metrics import hinge_loss 
from sklearn.svm import LinearSVC 
#data set in x and y values 
x_values = [[3], [2]] 
y_values = [-1, 1] 
#using linear SVC model 
svm_linear = svm.LinearSVC(random_state=0) 
#fitting the model 
svm_linear.fit(x_values, y_values) 
LinearSVC(random_state=0) 
#making decision prediction 
pred_decision = svm_linear.decision_function([[-2], [3], [0.5]]) 
hinge_loss([-1, 1, 1], pred_decision) 
#output: 
1.333372678152829 

結論：

這些都是從回歸和分類中評估模型性能的一些指標。分類中有基于回歸，二元類和多類指標的各種指標。