不同的机器学习任务（如回归、分类、聚类等）有不同的常用评估指标，以下为你详细介绍：

回归任务评估指标

1. 平均绝对误差（Mean Absolute Error，MAE）

• 定义：预测值与真实值之间绝对误差的平均值。
• 公式：$MAE=\frac{1}{n}{\sum }_{i=1}^n|y_i-{\hat{y}}_i|$，其中$y_i$是真实值，${\hat{y}}_i$是预测值，$n$是样本数量。
• 特点：MAE 对所有误差的处理是平等的，不会像均方误差（MSE）那样放大较大的误差，因此对异常值相对不敏感。
• 代码示例：

from sklearn.metrics import mean_absolute_error
import numpy as np

y_true = np.array([3, -0.5, 2, 7])
y_pred = np.array([2.5, 0.0, 2, 8])
mae = mean_absolute_error(y_true, y_pred)
print(f"平均绝对误差: {mae}")

2. 均方根误差（Root Mean Squared Error，RMSE）

• 定义：MSE 的平方根，它衡量了预测值与真实值之间的平均偏差程度。
• 公式：$RMSE=\sqrt{\frac{1}{n}{\sum }_{i=1}^n(y_i-{\hat{y}}_i{)}^2}$
• 特点：RMSE 与原始数据具有相同的单位，便于理解和解释，同时由于对误差进行了平方运算，会放大较大的误差，因此对异常值比较敏感。
• 代码示例：

from sklearn.metrics import mean_squared_error
import numpy as np

y_true = np.array([3, -0.5, 2, 7])
y_pred = np.array([2.5, 0.0, 2, 8])
rmse = np.sqrt(mean_squared_error(y_true, y_pred))
print(f"均方根误差: {rmse}")

3. 决定系数（Coefficient of Determination，$R^2$）

• 定义：表示模型对数据的拟合程度，取值范围为$(-\infty ,1]$。$R^2$越接近 1，说明模型对数据的拟合效果越好。
• 公式：$R^2=1-\frac{{\sum }_{i=1}^n(y_i-{\hat{y}}_i{)}^2}{{\sum }_{i=1}^n(y_i-\bar{y}{)}^2}$，其中$\bar{y}$是真实值的平均值。
• 特点：$R^2$可以直观地反映模型的优劣，并且考虑了数据的整体变化情况，但当模型中增加无关特征时，$R^2$可能会虚高。
• 代码示例：

from sklearn.metrics import r2_score
import numpy as np

y_true = np.array([3, -0.5, 2, 7])
y_pred = np.array([2.5, 0.0, 2, 8])
r2 = r2_score(y_true, y_pred)
print(f"决定系数: {r2}")

回归任务评估指标对比

graph TD
A[真实值] --> B[预测值]
B --> C{误差计算}
C --> D[MAE: 绝对误差平均]
C --> E[MSE: 平方误差平均]
E --> F[RMSE: 平方根]
C --> G[R²: 方差解释比例]

指标	公式	特点	异常值敏感度
MAE	$\frac{1}{n}\sum |y_i-{\hat{y}}_i|$	直观易解释，单位一致	低
RMSE	$\sqrt{\frac{1}{n}\sum (y_i-{\hat{y}}_i{)}^2}$	放大大误差，同量纲	高
R²	$1-\frac{S{S}_{res}}{S{S}_{tot}}$	无量纲，可跨数据集比较	中

分类任务评估指标

1. 准确率（Accuracy）

• 定义：分类正确的样本数占总样本数的比例。
• 公式：$Accuracy=\frac{TP+TN}{TP+TN+FP+FN}$，其中$TP$（真正例）是实际为正类且预测为正类的样本数，$TN$（真反例）是实际为反类且预测为反类的样本数，$FP$（假正例）是实际为反类但预测为正类的样本数，$FN$（假反例）是实际为正类但预测为反类的样本数。
• 特点：简单直观，但在类别不平衡的情况下，准确率可能不能很好地反映模型的性能。
• 代码示例：

from sklearn.metrics import accuracy_score
import numpy as np

y_true = np.array([0, 1, 0, 1])
y_pred = np.array([1, 1, 0, 1])
accuracy = accuracy_score(y_true, y_pred)
print(f"准确率: {accuracy}")

2. 精确率（Precision）

• 定义：预测为正类的样本中，实际为正类的比例。
• 公式：$Precision=\frac{TP}{TP+FP}$
• 特点：精确率关注的是预测为正类的样本的准确性，常用于需要严格控制误判为正类的情况。
• 代码示例：

from sklearn.metrics import precision_score
import numpy as np

y_true = np.array([0, 1, 0, 1])
y_pred = np.array([1, 1, 0, 1])
precision = precision_score(y_true, y_pred)
print(f"精确率: {precision}")

3. 召回率（Recall）

• 定义：实际为正类的样本中，被预测为正类的比例。
• 公式：$Recall=\frac{TP}{TP+FN}$
• 特点：召回率关注的是模型对正类样本的识别能力，常用于需要尽可能找出所有正类样本的情况。
• 代码示例：

from sklearn.metrics import recall_score
import numpy as np

y_true = np.array([0, 1, 0, 1])
y_pred = np.array([1, 1, 0, 1])
recall = recall_score(y_true, y_pred)
print(f"召回率: {recall}")

4. F1值（F1 - Score）

• 定义：精确率和召回率的调和平均数，用于综合衡量模型的性能。
• 公式：$F1=2\times \frac{Precision\times Recall}{Precision+Recall}$
• 特点：F1 值在精确率和召回率之间取得了平衡，当两者都较高时，F1 值也会较高。
• 代码示例：

from sklearn.metrics import f1_score
import numpy as np

y_true = np.array([0, 1, 0, 1])
y_pred = np.array([1, 1, 0, 1])
f1 = f1_score(y_true, y_pred)
print(f"F1值: {f1}")

分类指标对比表

指标	公式	关注重点	适用场景
准确率	$(TP+TN)/Total$	整体正确率	类别平衡
精确率	$TP/(TP+FP)$	预测正类的准确性	减少误报（如垃圾邮件检测）
召回率	$TP/(TP+FN)$	正类样本的覆盖率	疾病筛查（避免漏诊）
F1值	$2\ast \frac{P\ast R}{P+R}$	精确率与召回率的平衡	类别不平衡

聚类任务评估指标

1. 轮廓系数（Silhouette Coefficient）

• 定义：衡量每个样本与其所在簇的紧密程度以及与其他簇的分离程度，取值范围为$[-1,1]$。值越接近 1 表示样本聚类效果越好，越接近 -1 表示样本可能被错误地分配到了其他簇。
• 公式：s(i)=b(i)−a(i)max⁡{a(i),b(i)}s(i)=\frac{b(i)-a(i)}{\max\{a(i),b(i)\}}s(i)=max{a(i),b(i)}b(i)−a(i)​，其中$a(i)$是样本$i$到同一簇内其他样本的平均距离，$b(i)$是样本$i$到其他最近簇中所有样本的平均距离。
• 特点：可以在不知道真实标签的情况下评估聚类效果，但计算复杂度较高。
• 代码示例：

from sklearn.metrics import silhouette_score
from sklearn.datasets import make_blobs
from sklearn.cluster import KMeans

X, _ = make_blobs(n_samples=500, centers=4, random_state=42)
kmeans = KMeans(n_clusters=4, random_state=42).fit(X)
labels = kmeans.labels_
silhouette_avg = silhouette_score(X, labels)
print(f"轮廓系数: {silhouette_avg}")

2. 兰德指数（Rand Index）

• 定义：当已知真实标签时，用于衡量聚类结果与真实标签的一致性。取值范围为$[0,1]$，值越接近 1 表示聚类结果与真实标签越一致。
• 公式：$RI=\frac{TP+TN}{TP+TN+FP+FN}$（这里的$TP$、$TN$、$FP$、$FN$是基于聚类结果和真实标签的组合情况计算得到的）
• 特点：考虑了所有样本对的分类情况，能够全面地评估聚类结果的准确性。
• 代码示例：

from sklearn.metrics import rand_score
import numpy as np

labels_true = np.array([0, 0, 1, 1])
labels_pred = np.array([0, 0, 1, 1])
ri = rand_score(labels_true, labels_pred)
print(f"兰德指数: {ri}")

聚类指标对比表

指标	公式	是否需要标签	取值范围	特点
轮廓系数	$\frac{b(i)-a(i)}{\max (a(i),b(i))}$	否	[-1, 1]	评估簇内紧密度与簇间分离度
兰德指数	$\frac{TP+TN}{TP+TN+FP+FN}$	是	[0, 1]	衡量与真实标签的一致性

---

核心指标速查表

任务类型	首选指标	次要指标	使用建议
回归预测	RMSE	R² + MAE	优先报告RMSE，补充R²解释方差
二分类	F1值	精确率 + 召回率	类别不平衡时用F1，需控制误报时看精确率
多分类	准确率	宏平均F1	类别平衡时用准确率，不平衡时用宏平均F1
聚类分析	轮廓系数	兰德指数（带标签）	无监督场景用轮廓系数，有标签时用兰德指数

---