如何评估模型好坏

模型的好坏评估，对于不同的模型，不同的用途，有不同的模型评价标准。

回归：

1. MSE（均方误差）—— 判定方法：值越小越好。真实值-预测值 然后平方之后求和平均
2. RMSE（均根方误差）—— 判定方法：值越小越好。MSE开根号
3. R squared/拟合优度   —— 判定方法：值越接近1模型表现越好

分类：这部分之前的博客写过

1. ROC —— 判定方法：ROC曲线应尽量偏离参考线（ROC曲线离参照线越远模型预测效果越好）
2. AUC —— 判定方法：AUC应该大于0.5
3. K-S图 —— 判定方法：其值在0到100之间，值越大，模型表现越好
4. gini系数 —— 判定方法：基尼系数应大于60%，就算好模型
5. 混淆矩阵 —— 判定方法：根据不同的模型选不同的参数

• Accuracy(准确度):预测正确的数占所有数的比例。
• Positive Predictive Value(阳性预测值) or Precision(精度):阳性预测值被预测正确的比例。
• Negative Predictive Value(阴性预测值):阴性预测值被预测正确的比例。
• Sensity(灵敏度) or recall(召回率)：在阳性值中实际被预测正确所占的比例。
• Specificity(特异度):在阴性值中实现被预测正确所占的比例。