阅读量:0
机器学习常用指标及端到端场景
常用指标
在机器学习中，评估模型性能的常用指标如下：
| 指标类别 | 指标名称 | 描述 | 适用于场景 |
| 回归任务 | 均方误差（MSE） | 模型预测值与真实值差的平方的平均值 | 线性回归、逻辑回归等 |
| 均方根误差（RMSE） | MSE的平方根 | 线性回归、逻辑回归等 | |
| 平均绝对误差（MAE） | 模型预测值与真实值差的绝对值的平均值 | 线性回归、逻辑回归等 | |
| R²（决定系数） | 解释变量对因变量的变异程度的度量 | 线性回归、逻辑回归等 | |
| 分类任务 | 准确率（Accuracy） | 正确预测的样本数占总样本数的比例 | 二分类、多分类等 |
| 精确率（Precision） | 正确预测为正类的样本数占预测为正类样本总数的比例 | 二分类、多分类等 | |
| 召回率（Recall） | 正确预测为正类的样本数占实际正类样本总数的比例 | 二分类、多分类等 | |
| F1 分数（F1 Score） | 精确率和召回率的调和平均数 | 二分类、多分类等 | |
| AUCROC（曲线下面积） | ROC曲线下面积，用于评估模型的区分能力 | 二分类、多分类等 | |
| 聚类任务 | 调整兰德指数（Adjusted Rand Index, ARI） | 用于评估聚类结果与真实标签之间的相似度 | 聚类分析 |
| 调整互信息（Adjusted Mutual Information, AMI） | 用于评估聚类结果与真实标签之间的信息量 | 聚类分析 | |
| 调整轮廓系数（Adjusted Silhouette Coefficient, ASC） | 用于评估聚类结果内部凝聚度和不同类别之间的分离度 | 聚类分析 |
端到端场景
以下是一些常见的机器学习端到端场景：
1、推荐系统：
指标：准确率、召回率、F1 分数
应用：电商、视频、新闻等推荐
2、自然语言处理（NLP）：
指标：准确率、BLEU 分数、ROUGE 分数
应用：机器翻译、文本分类、情感分析等
3、图像识别：
指标：准确率、召回率、F1 分数、AUCROC
应用：人脸识别、物体检测、图像分类等
4、医疗诊断：
指标：准确率、召回率、F1 分数
应用：疾病预测、诊断辅助等
5、金融风控：
指标：准确率、召回率、F1 分数
应用：欺诈检测、信用评分等
6、交通预测：
指标：准确率、召回率、F1 分数
应用：交通流量预测、交通事故预测等
7、智能客服：
指标：准确率、召回率、F1 分数
应用：自动问答、智能客服机器人等
8、游戏AI：
指标：胜率、平均游戏时长
应用：游戏策略推荐、对手分析等
为机器学习中常用的指标及端到端场景的概述，具体应用中还需根据实际情况进行调整和优化。
