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
为何在新数据上评估模型？
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 - 一本广泛使用的教科书，系统地解释了过拟合、泛化和模型选择等概念。
- Pattern Recognition and Machine Learning, Christopher M. Bishop, 2006 (Springer) - 一本综合性教科书，从概率角度审视机器学习，涵盖了模型复杂度、泛化以及避免过拟合的方法。
- Machine Learning Lecture Notes, Andrew Ng, 2011 - 知名机器学习课程的讲义，清晰解释了偏差、方差、过拟合以及使用未见过数据评估模型的必要性。