模型评估过程概述

既然我们了解了为什么需要评估机器学习 (machine learning)模型，以及它们解决的基本问题类型（分类和回归），接下来就看一下评估过程本身的常用步骤。可以将其视为检验模型表现的指引。

从整体来看，评估机器学习模型通常遵循以下步骤：

1. 数据准备：从数据集开始。此处首要的一步是将数据分成至少两部分：训练集和测试集。
2. 模型训练：使用训练集来训练模型。模型从这些数据中学习模式、关系或规则。
3. 模型预测：使用训练好的模型在测试集上进行预测。由于模型从未见过这些测试数据，这些预测能公平地评估其能力。
4. 性能评估：将模型在测试集上的预测与测试集中的实际真实值进行比较。此处会用到评估指标。您会计算具体的得分（例如分类的准确率或回归的均方误差），以量化 (quantization)模型的性能。
5. 结果解读：最后，您需要分析这些指标得分。它们是否符合您的要求？模型是否足以满足其预期用途？这一步能帮助您决定模型是否已准备就绪，或者是否需要进一步改进。

让我们将这个基本流程可视化：

机器学习模型评估工作流程的简化视图。

"此处最重要的原则是在模型训练期间未遇到的数据（测试集）上评估模型。这种分离有助于避免过于乐观的结果，并能更实际地估计模型在面对新数据时的表现。"

在接下来的章节中，我们将研究步骤4中用于分类（第2章）和回归（第3章）问题的具体指标。我们还将详细介绍数据分割技术（第4章），以确保评估的可靠性。本章提供了关于我们通常为什么以及如何进行模型评估的基本理解。