机器学习常用的评价指标原理和代码
最近面试的时候，很多面试官问道了我项目中的一些评价指标的算法和原理，我觉得这确实也是一个很重要的内容，所以趁这个机会综合起来一块复习一下，在刷力扣的时候也不能忘记项目最常用的内容嘛。当然还包括一些深度学习的例如我项目中目标检测和nlp算法的我会在之后更新。
总体代码我已经放入代码库，大家自取哦，希望能给大家带来一些帮助。
--------------------------------------------------------
一、回归任务评价指标
均方误差 (MSE)
原理：衡量预测值与真实值之间差异的平方的平均值，越小表示模型越准确。
公式：
：
根均方误差 (RMSE)
原理：RMSE是MSE的平方根，提供与数据原始单位相同的误差度量。
公式：
平均绝对误差 (MAE)
原理：计算所有预测误差的绝对值并取平均，反映预测的准确性。
公式：
R² (决定系数)
原理：表示模型解释的变异比例，值在0到1之间，越接近1表示模型效果越好。
公式：
为残差平方和
为总平方和
平均绝对百分比误差 (MAPE)
原理：计算误差的绝对值与真实值的比率的平均值，反映相对误差。
公式：
最大误差 (Max Error)
原理：表示预测值与真实值之间的最大绝对误差，反映模型在最坏情况下的预测能力。
公式：
二、分类任务评价指标
准确率 (Accuracy)
原理：正确预测的样本数量占总样本数量的比例。
公式：
其中，TP为真阳性，TN为真阴性。
精确率 (Precision)
原理：预测为正类的样本中，真正为正类的比例。
公式：
召回率 (Recall)
原理：实际为正类的样本中，正确预测为正类的比例。
公式：
F1-score
原理：精确率和召回率的调和平均数，综合考虑模型的准确性和完整性。
公式：
ROC曲线和AUC
原理：ROC曲线通过绘制真正率（TPR）和假正率（FPR）之间的关系来评估模型性能。AUC则表示曲线下面积，越大表示模型性能越好。
公式：
TPR： （TPR（真正率）和召回率（Recall）在二分类任务中是同义词，通常可以互换使用。它们都表示模型在所有实际为正类的样本中，正确预测为正类的比例。）
FPR：
以上所有的机器学习相关的代码我都传到了我的一个仓库里，各位大佬有需求的话可以去我的仓库查看感谢感谢