You can not select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
|
|
|
|
当模型训练好之后，我们需要有指标来量化我们的模型的性能好不好。而且模型的性能不单单只有一个维度，所以模型的好坏通常会用多个指标来进行衡量。例如，现在想要衡量一个分类模型的性能，您可能第一时间会想到用准确率来衡量模型的好坏，但是准确率高并不一定就代表模型的性能高，因此可能会需要使用如`F1 Score`、`AUC`等指标来衡量。所以在什么情况下使用什么样的性能评估指标，每个指标的数值的含义时什么，是我们在评估模型性能时必须要学会的知识。
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
本章主要涉及的知识点有：
|
|
|
|
|
|
|
|
|
|
- 常用分类性能评估指标
|
|
|
|
|
- 常用回归性能评估指标
|
|
|
|
|
- 常用聚类性能评估指标
|
|
|
|
|
|
|
|
|
|
关于本章的实验与涉及的案例均可以在平台进行体验，名称与链接如下：
|
|
|
|
|
|
|
|
|
|
| 名称 | 链接 |
|
|
|
|
|
|------|------|
|
|
|
|
|
|《机器学习》---模型评估与选择|https://www.educoder.net/shixuns/cbsfh3r5/challenges|
|
|
|
|
|
|《机器学习》---聚类性能评估指标|https://www.educoder.net/shixuns/e4pmtfly/challenges|
|
|
|
|
|
|
|
|
|
|
也可通过扫码查看整套课程，二维码如下:
|
|
|
|
|
|
|
|
|
|
<div align=center><img src="./img/1562573820.png", height="250" width="250"/></div>
|
