你必須了解的AI常用評估指標
時間：2024-02-20 來源：華清遠見
你必須了解的AI常用評估指標
一個AI模型性能的好壞，需要通過評估指標來間接地反映，因此如何選擇合適的評估指標對于一個AI模型來說顯得尤為重要，本文主要介紹了在不同AI任務當中常見的幾個評價指標。
一、分類任務
1.混淆矩陣
混淆矩陣（Confusion Matrix）是在分類問題中用于評估模型性能的表格，它展示了模型在測試數據集上的預測結果與實際標簽之間的關系。混淆矩陣是一個二維的表格，其中包含以下四個重要的指標：
（1）真正例（True Positive，TP）：模型正確地將正類別樣本預測為正類別。
（2）真負例（True Negative，TN）：模型正確地將負類別樣本預測為負類別。
（3）假正例（False Positive，FP）：模型將負類別樣本錯誤地預測為正類別。
（4）假負例（False Negative，FN）：模型將正類別樣本錯誤地預測為負類別。
2. 準確度（Accuracy）：
模型正確預測的樣本占總樣本數的比例，計算方法為 ：
3. 精確度（Precision）：
正類別的預測正確率，計算方法為：
4. 召回率（Recall）：
正類別樣本被正確預測的比例，計算方法為：
5. F1 分數（F1-Score）：
精確度和召回率的調和平均值，計算方法為 ：
6.ROC曲線：
ROC 曲線描述了在不同分類閾值下真正例率（True Positive Rate，又稱為召回率）和假正例率（False Positive Rate）之間的權衡關系。
7.AUC：
AUC 表示 ROC 曲線下的面積，取值范圍在 0 到 1 之間。AUC 值越高，說明模型在不同分類閾值下的性能越好。完美分類器的 AUC 為 1，隨機分類器的 AUC 約為 0.5。AUC 可以理解為在隨機選擇一個正例和一個負例的情況下，模型正確預測正例的概率高于正確預測負例的概率的程度。因此，AUC 提供了對模型整體性能的綜合評估。
8.PR曲線：
PR 曲線（Precision-Recall Curve）是用于評估二分類問題性能的一種圖形工具。與 ROC 曲線關注真正例率（True Positive Rate）和假正例率（False Positive Rate）不同，PR 曲線關注的是精確率（Precision）和召回率（Recall）之間的權衡關系。
PR 曲線可以幫助評估模型在不同分類閾值下的性能。曲線越靠近右上角，說明模型在保持高精確率的同時能夠獲得較高的召回率，即在正例樣本中盡可能多地識別為正例。
二、回歸任務
在回歸問題中，常見的模型評估指標包括以下幾個：
1. 均方誤差（Mean Squared Error，MSE）：
計算預測值與實際值之間的平方差的平均值，MSE 越小越好，其計算公式為：
2. 均方根誤差（Root Mean Squared Error，RMSE）：
是均方誤差的平方根，用于提供與實際值相同的度量單位，RMSE 越小越好，其計算公式為：
3. 平均絕對誤差（Mean Absolute Error，MAE）：
計算預測值與實際值之間的絕對差的平均值，MAE 越小越好，其計算公式為：
4. R 2分數（R-squared）：
R2分數用于表示模型解釋方差的比例，取值范圍是[-1,1]，R2的值越接近1，說明模型的擬合能力越好，其詳細的計算公式如下：
式中，表示實際的均值。
