机器学习常用指标

分类任务评估指标源于混淆矩阵，Precision、Recall、F1 适用于不同场景。

混淆矩阵

	预测正类	预测负类
实际正类	TP	FN
实际负类	FP	TN

核心指标

指标	公式	适用场景
Precision	$\frac{TP}{TP+FP}$	误报代价高（医疗、垃圾邮件）
Recall	$\frac{TP}{TP+FN}$	漏报代价高（安全检测）
F1 Score	$\frac{2\cdot P\cdot R}{P+R}$	平衡误报和漏报
Accuracy	$\frac{TP+TN}{Total}$	类别均衡任务

代码实现

from sklearn.metrics import precision_score, recall_score, f1_score
 
precision = precision_score(y_true, y_pred)
recall = recall_score(y_true, y_pred)
f1 = f1_score(y_true, y_pred)

各任务评估指标

任务	指标
分类	Accuracy, Precision, Recall, F1, AUC-ROC
回归	MSE, RMSE, MAE, R²
排序	MAP, NDCG, Precision@K
聚类	Silhouette Score, ARI, NMI
生成	FID, BLEU, ROUGE, Perplexity

类别不均衡处理

Accuracy 在类别不均衡时失效（如 99% 负类）。优先使用 F1 或 AUC-ROC。