評價指標總結
我們需要通過評價指標來判斷模型的好壞：
一、對於分類結果的評價的評價指標：
1、分類準確度：即預測成功的在總數中的佔比
2、利用混淆矩陣：
FN：False Negative,被判定爲負樣本，但事實上是正樣本。FP：False Positive,被判定爲正樣本，但事實上是負樣本。TN：True Negative,被判定爲負樣本，事實上也是負樣本。TP：True Positive,被判定爲正樣本，事實上也是證樣本。
2.1、精準率和召回率
精準率（查準率）：：預測值爲1，且預測對了的比例，即：我們關注的那個事件，預測的有多準。
召回率（查全率）：所有真實值爲1的數據中，預測對了的個數，即：我們關注的那個事件真實的發生情況下，我們成功預測的比例是多少。
2.2、F1 Score
F1 Score是精準率和召回率的調和平均值，可以平衡這兩個指標。
3、ROC曲線
ROC曲線（Receiver Operation Characteristic Cureve），描述TPR和FPR之間的關係。x軸是FPR，y軸是TPR。
3.1、分類閾值
分類閾值，即設置判斷樣本爲正例的閾值threshold
3.2、TPR
**TPR：預測爲1，且預測對了的數量，佔真實值爲1的數據百分比。**很好理解，就是召回率。
3.3、FPR
**FPR:預測爲1，但預測錯了的數量，佔真實值不爲1的數據百分比。**與TPR相對應，FPR除以真實值爲0的這一行所有的數字和 。
4、AUC：直觀判斷模型的好壞
一般在ROC曲線中，我們關注是曲線下面的面積， 稱爲AUC（Area Under Curve）。這個AUC是橫軸範圍（0,1 ），縱軸是（0,1）所以總面積是小於1的。
二、線性迴歸評價指標
1、均方誤差MSE
預測值與真實值之差的平方和，再除以樣本量
2、均方根誤差RMSE
爲了消除量綱，將MSE開方
3、平均絕對誤差MAE
預測值與真實值之差的絕對值，再除以樣本量
4、R方
因此用1減去較少的錯誤除以較多的錯誤，實際上是衡量了我們的模型擬合住數據的地方，即沒有產生錯誤的相應指標。