【Method】ML Evaluation

• 1. Classification Metrics
  • 1.1 Precision
  • 1.2 Recall
  • 1.3 F1-score
• 2. Regression Metrics
  • 2.1 ME (Mean Error)
  • 2.2 MAE (Mean absolute error)
  • 2.3 MPE (Mean percentage error)
  • 2.4 MAPE (Mean absolute percentage error)
  • 2.5 sMAPE (Symmetric mean absolute percentage error)
  • 2.6 MSE (Mean squared error)
  • 2.7 RMSE (Root Mean Square Error)
• Cross Validation
• 参考文献

1. Classification Metrics

所有衡量方式结果好坏都取决于具体的问题，同该类问题最前沿方法进行比较。

1.1 Precision

直观理解：希望找出的都是对的

经验值：

1.2 Recall

直观理解：希望对的尽可能的被找出

经验值：

1.3 F1-score

直观理解：综合Precision和Recall两个目标

2. Regression Metrics

2.1 ME (Mean Error)

直观理解：平均误差

2.2 MAE (Mean absolute error)

直观理解：平均绝对误差

2.3 MPE (Mean percentage error)

直观理解：平均百分比误差

2.4 MAPE (Mean absolute percentage error)

直观理解：平均绝对百分比误差

2.5 sMAPE (Symmetric mean absolute percentage error)

直观理解：对称平均绝对百分比误差

2.6 MSE (Mean squared error)

直观理解：均方误差

2.7 RMSE (Root Mean Square Error)

直观理解：均方根误差

Cross Validation

参考文献

• Cross-validation: evaluating estimator performance