趋近智
模型评估与衡量指标要点
章节 1: 模型评估简介
什么是机器学习模型？
为何模型评估很重要
评估指标的目标
学习问题的类型：分类
学习问题类型：回归
模型评估过程概述
章节 2: 分类模型指标
理解分类预测
准确率：一个简单的起始指标
准确率何时会产生误导
真正例、假正例、真反例、假反例
混淆矩阵解析
精确率：衡量预测的准确程度
召回率（敏感度）：衡量完整性
精确率与召回率的权衡
F1分数：结合精确率和召回率
实践：计算分类指标
章节 3: 回归模型的评估指标
理解回归预测
计算预测误差
平均绝对误差 (MAE)
均方误差 (MSE)
均方根误差 (RMSE)
比较平均绝对误差 (MAE)、均方误差 (MSE) 和均方根误差 (RMSE)
决定系数 (R平方)
解释R平方值
R平方的局限性
练习：计算回归指标
章节 4: 为评估准备数据
为何在新数据上评估模型？
训练集：学习模式
测试集：评估性能
训练-测试集划分步骤
常用划分比例
数据分割中的随机性
单一划分可能存在的问题
交叉验证方法简介
动手实践：数据分割
章节 5: 简单评估流程
标准评估的步骤
为你的问题选择评估指标
执行训练-测试集划分
训练一个简单模型
在测试集上生成预测
计算性能指标
结果的解读
简单的评估流程示例
基础评估中的常见错误
F1分数：结合精确率和召回率
这部分内容有帮助吗？
- The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Trevor Hastie, Robert Tibshirani, Jerome Friedman, 2009 (Springer) DOI: 10.1007/978-0-387-84858-7 - 为读者提供了分类算法及其评估指标（包括F1分数）在统计学习框架下的全面且严谨的阐述。
- Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems, Aurélien Géron, 2019 (O'Reilly Media) - 面向实践者的优秀资源，使用流行的机器学习库，清晰地解释了包括F1分数在内的分类指标并提供了实际示例。第二版。
- A systematic analysis of performance measures for classification tasks, Marina Sokolova, Guy Lapalme, 2009 Information Processing & Management, Vol. 45 (Elsevier) DOI: 10.1016/j.ipm.2009.03.002 - 这篇同行评审论文系统地概述和分析了各种分类性能度量，包括对精确率、召回率和F度量的详细讨论及其应用场景。