模型评估

学习目标

• 了解机器学习中模型评估的方法
• 知道过拟合、欠拟合发生情况

模型评估是模型开发过程不可或缺的一部分。它有助于发现表达数据的最佳模型和所选模型将来工作的性能如何。

按照数据集的目标值不同，可以把模型评估分为分类模型评估和回归模型评估。

评估类型划分

1 分类模型评估

• 准确率
  • 预测正确的数占样本总数的比例。
• 其他评价指标：精确率、召回率、F1-score、AUC 指标等

2 回归模型评估

均方根误差（Root Mean Squared Error，RMSE）

其他评价指标：

• 相对平方误差（Relative Squared Error，RSE）
• 平均绝对误差（Mean Absolute Error，MAE）
• 相对绝对误差（Relative Absolute Error，RAE）

3 拟合

模型评估用于评价训练好的模型的表现效果，其表现效果大致可以分为两类：过拟合、欠拟合。

在训练过程中，你可能会遇到如下问题：

训练数据训练的很好啊，误差也不大，为什么在测试集上面有问题呢？

当算法在某个数据集当中出现这种情况，可能就出现了拟合问题。

3.1 欠拟合

因为机器学习到的天鹅特征太少了，导致区分标准太粗糙，不能准确识别出天鹅。

欠拟合（under-fitting）：模型学习的太过粗糙，连训练集中的样本数据特征关系都没有学出来。

3.2 过拟合

机器已经基本能区别天鹅和其他动物了。然后，很不巧已有的天鹅图片全是白天鹅的，于是机器经过学习后，会认为天鹅的羽毛都是白的，以后看到羽毛是黑的天鹅就会认为那不是天鹅。

过拟合（over-fitting）：所建的机器学习模型或者是深度学习模型在训练样本中表现得过于优越，导致在测试数据集中表现不佳。

上述问题解答：训练数据训练的很好啊，误差也不大，为什么在测试集上面有问题呢？ 答案：模型过拟合了训练数据，泛化能力不足。

4 小结

• 分类模型评估【了解】
  • 准确率
• 回归模型评估【了解】
  • RMSE — 均方根误差
• 拟合【知道】
  • 欠拟合
    • 学习到的东西太少
    • 模型学习的太过粗糙
  • 过拟合
    • 学习到的东西太多
    • 学习到的特征多，不好泛化

版本差异（机器学习栈 → 当前版本）

本文讲解的机器学习概念（算法分类、工作流、评估）与 scikit-learn 核心 API 保持稳定；新特性以官方文档为准。