8.使用单值衡量指标 翻译自 吴恩达新书-Machine Learning Yearning

更多好玩的机器学习教程: 进入袋马学院领一份 ，全部免费.

举个例子，分类准确率就是一个单值衡量指标(在开发数据集或测试数据集上，运行你的分类器，分类器会返回一个单一数值，即分类正确的样本比例)。依据这个衡量标准，分类算法A的准确率为97%，分类算法B的准确率为90%，此时，我们任务算法A更好一些。

相反，查准率(Precision)和查全率(Recall)就不是一个单一的衡量指标，它返回了两个用于评估模型的数值。当衡量指标有多个数值时，就比较难区分出哪个算法更好了，比如：

没法看出哪个分类算法更好，因此你也就没有办法立即选择其中的一个了。

在开发阶段，你的团队会尝试很多想法，比如改变算法结构、更新模型参数、选择其他特征等等。当建立一个单值衡量标准(比如使用准确率作为衡量标准)后，可以依据这个衡量标准，快速找出表现最好的模型。

如果你非常关心查准率和查全率，我建议你将这两个数值合并成一个数值。比如可以使用查准率和产权率的平均值，作为最终的衡量指标。或者你可以计算“F1得分”(查准率和查全率的加权平均值)。

使用单一衡量指标可以让你从大量分类模型中，迅速的找到合适的一个。它可以给出一个非常清晰的排序，从而加快你的开发进程。

最后，假如你在跟踪分类器四个关键市场的准确率：美国、中国、印度和其他。这会产生四个准确率，通过计算平均值或加权平均值，你可以将这四个数值合并成一个数值。平均或加权平均的方法，是将多个指标合并成一个指标最常用的方法。

更多好玩的机器学习教程: 进入袋马学院领一份 ，全部免费.