评价指标

1、 回归评价指标

1.1 MSE（Mean Squared Error）

1.2 RMSE（Root Mean Squard Error）

1.3 R2（R-Square）

随着样本数量的增加，R-Square必然增加，无法真正定量说明准确程度，只能大概定量。

1.4 校正决定系数（Adjusted R-Square）

Adjusted R-Square 抵消样本数量对 R-Square的影响，做到了真正的 0~1，越大越好。

2、分类评价指标

2.1 准确率(acc)

2.2 精确率(precision)、召回率(recall)

2.3 F函数

F1值是精确率和召回率的调和均值

2.4 PR曲线

2.5 ROC曲线

• 真正例率（TPR）
• 假正例率(FPR)

ROC 曲线用于绘制采用不同分类阈值时的 TPR 与 FPR。

2.6 AUC（Area under curve）

AUC是一个模型评价指标，只能用于二分类模型的评价，AUC一般都大于0.5

AUC代表的是ROC曲线下的面积。对于样本分类不均匀的情况下，可以很有效的规避 这类问题。

eg：例如在反欺诈场景，设欺诈类样本为正例，正例占比很少（假设0.1%），如果使用准确率评估，把所有的样本预测为负例，便可以获得99.9%的准确率。
但是如果使用AUC，把所有样本预测为负例，TPRate和FPRate同时为0（没有Positive），与(0,0) (1,1)连接，得出AUC仅为0.5，成功规避了样本不均匀带来的问题。

2.7 交叉熵误差