算法评估指标用于量化模型的性能，常见的分类及对应指标，按任务类型整理。
一、分类任务常见指标
准确率、精确率、召回率、F1分数、混淆矩阵、ROC 曲线与 AUC
1、准确率（Accuracy）
定义：正确预测的样本占总样本的比例
公式：Accuracy = (TP + TN) / (TP + TN + FP + FN)
真正例（TP）：真实为正，预测为正
假正例（FP）：真实为负，预测为正（误报）
真负例（TN）：真实为负，预测为负
假负例（FN）：真实为正，预测为负（漏报）
100 个样本中，80 个预测正确，则准确率为 80%
适用：适用于类别平衡的数据集
局限：不适用于不平衡数据（如 99% 样本为负，模型全预测为负也能达到 99% 准确率）
2、精确率（Precision）—预测为正的可靠性
定义：是预测为正的样本中实际为正的比例，衡量模型在预测为正例的样本中的准确性。
公式：Precision = TP / (TP + FP)
如：90封垃圾邮件被正确识别，10封正常邮件被误判为垃圾邮件
精确率 = TP / (TP + FP) = 90 / (90 + 10) = 90%⁠⁣
应用场景：减少误报的场景，提高精确率可以有效降低误报数量
如欺诈检测中误判：将正常交易误判为欺诈，可能导致严重的后果
3、召回率（Recall/Sensitivity）也叫查全率
定义：实际为正的样本中，被正确预测为正的比例
公式：Recall = TP / (TP + FN)
如：10 个实际癌症患者中，模型检测出 7 个，则召回率为 70%
应用场景：需减少漏报的场景，关注 “不漏掉正例”，即尽可能多地找出所有真正的正类样本（如癌症诊断避免漏诊）。
4、F1 分数（F1-Score）
定义：精确率和召回率的调和平均数，平衡两者的矛盾
公式：F1 = 2 * (Precision * Recall) / (Precision + Recall)
示例：精确率 80%，召回率 70%，则 F1 = 2*(0.8*0.7)/(0.8+0.7) ≈ 74.7%。
适用场景：希望精确率和召回率都较高的场景（如推荐系统）
电商推荐系统中，精确率和召回率都需要较高，保证推荐的商品既能满足用户的兴趣，又能覆盖到尽可能多的相关商品。
5、混淆矩阵（Confusion Matrix）
• 定义：以矩阵形式展示模型预测结果与真实标签的分布。
通过展示模型在每个类别上的预测结果，包括正确预测（真阳性、真阴性）和错误预测（假阳性、假阴性），帮助全面了解模型的表现。
6、ROC 曲线与 AUC
ROC 曲线：横轴表示假阳性率（FPR），即所有实际为负的样本中被错误预测为正的比例；
纵轴表示真阳性率（TPR），即所有实际为正的样本中被正确预测为正的比例。

• AUC为ROC 曲线下的面积，取值范围 [0,1]，值越大模型性能越好，AUC值为1表示完美分类，AUC值为0.5表示随机猜测，理想的ROC曲线应该尽可能靠近左上角，表明模型具有高召回率和低误报率

分类任务指标选择​​：

怎么提高精确率
减少误报
优化模型的决策边界；
提升数据质量和特征工程；
选择合适的模型和评估指标
怎么提高召回率：
减少漏报
提高模型对正类样本的识别能力；
调整分类阈值和损失函数；
优化数据质量和特征工程；
选择合适的模型和评估指标

特征工程指的是从原始数据中提取、构造和选择对模型预测目标最有用的特征（变量或属性）的过程；包括：特征提取、特征构造、特征选择、特征转换、特征缩放；
二、回归任务评估指标
1、均方误差（MSE）
定义：预测值与真实值差值的平方的平均值。
特点：对异常值非常敏感，进而影响模型的鲁棒性
2、均方根误差（RMSE）
定义：MSE 的平方根，衍生指标
特点：单位与原始数据单位一致，在数值上更直观，可以直接反映预测值与真实值之间的平均偏差大小，更容易解释模型的误差水平
3、平均绝对误差（MAE）
特点：对异常值不敏感，具有一定鲁棒性，单位与原始数据一致。
缺点：优化时可能收敛较慢，逐步接近最优解的速度较慢
4、R² 决定系数（R-squared）
定义：衡量模型解释数据变异的能力，取值范围 (-∞,1]
特点：R²=0.8 表示模型能解释 80% 的数据变异，接近 1 说明拟合效果好

回归任务指标选择：

三、聚类任务评估指标
1、轮廓系数（Silhouette Score）
定义：结合簇内距离和簇间距离，取值范围 [-1,1]，值越大聚类效果越好。
• 示例：轮廓系数 = 0.7 表示聚类结构合理；接近 - 1 表示样本可能分到错误的簇。
优点：直观，适用于任意聚类算法。
缺点：计算复杂度较高，不适合大数据集。
2. 调整兰德指数（ARI）
• 定义：当有真实标签时，用于衡量聚类结果与真实标签的一致性
值范围为 [-1, 1]，值越接近 1 表示聚类结果与真实标签越一致。
优点：考虑了随机聚类的影响，对噪声和异常值具有一定的鲁棒性；
适用于监督和无监督学习的对比；
缺点：需要真实标签，不适用于完全无监督的场景。
聚类任务指标选择建议：无监督时用轮廓系数，有标签时用ARI
四、生成任务评估指标
1、BLEU 分数（文本）
一种用于评估机器生成的文本与参考文本之间相似度的指标，常用于机器翻译和文本生成任务。分数范围在0到1之间，数值越高表示生成文本与参考文本越接近，质量越高
优势:
与人类判断密切相关⁠⁣
计算速度快，计算成本低⁠⁣
容易理解，与具体语言无关⁠⁣
局限:
无法捕捉翻译结果的语法、流畅度、连贯性等方面的问题⁠⁣
只能评估 n-gram 的匹配情况，不考虑可理解性和语法正确性
2、Inception Score（图像）
用于评估生成图像质量的指标，尤其常见于生成对抗网络（GANs）的评估中。该分数基于图像的清晰度和多样性，数值越高表示生成的图像质量更高且更具多样性