回归与分类算法的评估指标详解与比较

# 回归与分类算法的评估指标详解与比较
## 回归算法评估指标
### 均方误差 (MSE)
- 定义
  - 计算预测值与实际值之间差异的平方的平均值
- 特点
  - 对异常值敏感
  - 反映模型精度
### 均方根误差 (RMSE)
- 定义
  - 均方误差的平方根
- 特点
  - 单位与原始数据一致
  - 更直观地表示误差大小
### 平均绝对误差 (MAE)
- 定义
  - 计算预测值与实际值之间绝对差异的平均值
- 特点
  - 对异常值不敏感
  - 反映模型准确性
### R² (决定系数)
- 定义
  - 衡量模型解释数据变异程度
- 特点
  - 值范围 [0, 1]
  - 值越接近1，模型表现越好
## 分类算法评估指标
### 准确率 (Accuracy)
- 定义
  - 正确分类样本占总样本的比例
- 特点
  - 最常用的评估指标
  - 对类别分布有一定要求
### 精确率 (Precision)
- 定义
  - 被预测为正类样本中实际为正类的比例
- 特点
  - 衡量错误预测为正类的情况
### 召回率 (Recall)
- 定义
  - 实际为正类样本中被正确预测为正类的比例
- 特点
  - 反映模型抓取正类的能力
### F1_score
- 定义
  - 精确率和召回率的调和平均值
- 特点
  - 适用于平衡精确率和召回率
  - 更适合不平衡数据集
### ROC曲线及AUC值
- 定义
  - ROC曲线展示分类器在不同阈值下的表现
- 特点
  - AUC值表示曲线下的面积
  - 值越大表示模型性能越好
- 应用
  - 用于比较不同模型的性能
  - 适用于二分类问题