一句话总结MAE/MSE 衡量回归误差信息熵/准确率/混淆矩阵衡量分类效果业务场景决定指标选择。环境要求Python 3.14scikit-learn 1.9pandas 3.0numpy 2.4jupyter 1.1notebook 7.5nbconvert 7.17一、指标速查表任务类型核心指标公式特点回归MAE平均绝对误差Σy - ŷ回归MSE均方误差Σ(y - ŷ)² / n放大较大误差数学性质好概率映射Sigmoid1/(1e^(-x))将实数映射到 (0,1) 概率区间特征选择信息熵-Σ p·log₂(p)衡量概率分布的不确定性分类Accuracy准确率正确数 / 总数类别平衡时有效分类混淆矩阵TP/TN/FP/FN 矩阵分类评估的基础二、回归指标详解2.1 MAE平均绝对误差公式MAE Σ|y_true - y_pred| / nPython 实现defmean_absolute_error(y_true,y_pred):returnabs(y_true-y_pred).sum()/len(y_true)特点✅对离群点鲁棒不放大异常值的影响✅可解释性强单位与原始数据一致易于业务理解❌梯度不连续在零点不可导不利于优化算法2.2 MSE均方误差公式MSE Σ(y_true - y_pred)² / nPython 实现defmean_squared_error(y_true,y_pred):return((y_true-y_pred)**2).sum()/len(y_true)特点✅数学性质好处处可导便于优化✅惩罚大误差平方项放大较大误差适合重视大错的场景❌解释性差单位是 y 的平方业务理解困难2.3 回归指标选型建议场景推荐指标理由数据中存在较多异常值MAE对离群点不敏感结果更稳定异常值少且需惩罚大错MSE / RMSE放大较大误差训练更关注大偏差需要向业务方解释结果MAE单位一致直观易懂作为模型训练损失函数MSE可导性支持梯度下降优化三、Sigmoid 函数从实数到概率的桥梁公式σ(x) 1 / (1 e^(-x))作用将任意实数映射到 (0, 1) 区间输出可作为概率值使用。Python 实现importnumpyasnpdefsigmoid(x):return1/(1np.exp(-x))# 示例x0 时输出 0.5sigmoid(np.array([-2,-1,0,1,2]))# 输出array([0.119, 0.269, 0.5, 0.731, 0.881])核心特性单调递增输入越大输出概率越接近 1中心对称σ(-x) 1 - σ(x)饱和性当 |x| 较大时梯度接近 0梯度消失问题主要应用场景逻辑回归的输出层将线性组合转换为概率神经网络二分类激活函数早期网络常用注意力机制早期 Transformer 中使用多标签分类每个类别独立使用 Sigmoid四、信息熵不确定性的度量公式H(X) -Σ p(x) · log₂(p(x))含义衡量概率分布的不确定性混乱程度熵值越大表示不确定性越高。Python 实现defentropy(probabilities):# probabilities 应为概率向量且 Σp 1return-np.sum(probabilities*np.log2(probabilities))4.1 熵值示例概率分布熵值含义[0.01, 0.99]0.081极不均匀几乎确定不确定性低[0.50, 0.50]1.000完全均匀最不确定不确定性最高[0.91, 0.09]0.436较不均匀有一定确定性4.2 信息熵的核心应用决策树特征选择使用信息增益选择最佳分裂特征信息增益 父节点熵 - 子节点加权平均熵信息增益越大使用该特征分裂后不确定性减少越多ID3 算法直接使用信息增益作为分裂标准C4.5 算法使用信息增益率避免偏向取值多的特征五、分类评估基础指标5.1 准确率Accuracy公式Accuracy 正确预测数 / 总样本数Python 实现fromsklearn.metricsimportaccuracy_score accuracyaccuracy_score(y_true,y_pred)优点直观易懂计算简单类别平衡时效果良好致命缺陷类别不平衡时完全失效反例数据集中 99% 为正样本1% 为负样本模型简单预测所有样本为正类准确率 99%但模型实际上没有识别负类的能力适用场景各类别样本数量大致平衡的分类任务。5.2 混淆矩阵Confusion MatrixPython 实现fromsklearn.metricsimportconfusion_matrix cmconfusion_matrix(y_true,y_pred)结构行表示真实类别列表示预测类别对角线表示正确预测的数量。三分类示例真实\预测预测为类0预测为类1预测为类2真实类06 ✓1 ✗0真实类13 ✗10 ✓2 ✗真实类202 ✗5 ✓二分类核心计数真实\预测预测为正预测为负真实为正TP真阳性FN假阴性真实为负FP假阳性TN真阴性六、分类指标完整计算链模型输出概率 → Sigmoid 转换 → 阈值划分默认 0.5 为正类 → 混淆矩阵TP/TN/FP/FN → 计算各项指标6.1 核心分类指标指标公式业务含义关注点准确率Accuracy(TPTN) / 总数整体预测正确的比例整体性能精确率PrecisionTP / (TPFP)预测为正的样本中真正为正的比例预测质量召回率RecallTP / (TPFN)真实为正的样本中被正确预测的比例查全能力F1 分数F1-score2·P·R / (PR)精确率和召回率的调和平均综合平衡6.2 指标间的权衡关系模型输出阈值选择高阈值低阈值高精确率 Precision↑低召回率 Recall↓低精确率 Precision↓高召回率 Recall↑F1 分数变化精确率-召回率权衡提高阈值预测更谨慎 → 精确率↑召回率↓降低阈值预测更宽松 → 精确率↓召回率↑七、业务场景指标选型指南业务场景核心指标次要指标选择理由垃圾邮件检测精确率Precision召回率误报代价大重要邮件被误删疾病筛查召回率Recall精确率漏报代价大病人未被检出推荐系统F1 分数 / NDCG精确率K需要平衡相关性和多样性异常检测召回率 FPR精确率尽可能发现异常控制误报率房价预测MAE / RMSER² 分数误差直接反映预测偏差广告点击预测AUC-ROC精确率-召回率曲线综合评估排序能力八、关键要点总结8.1 回归指标要点MAE vs MSEMAE 对异常值鲁棒MSE 对异常值敏感但数学性质好业务沟通使用 MAE单位一致易于解释模型训练使用 MSE可导便于优化8.2 分类指标要点准确率陷阱类别不平衡时准确率毫无意义混淆矩阵是基础所有分类指标都从 TP/TN/FP/FN 推导精确率-召回率权衡根据业务代价选择阈值8.3 通用原则Sigmoid 必学几乎所有二分类模型的核心组件熵的不确定性0.5 概率时熵最大1 bit表示最不确定状态业务驱动选指标没有最好的指标只有最合适的指标多指标综合评估单一指标容易过拟合应结合多个指标评估九、实战建议9.1 代码实践模板importnumpyasnpfromsklearn.metricsimport(mean_absolute_error,mean_squared_error,accuracy_score,precision_score,recall_score,f1_score,confusion_matrix)# 回归评估defevaluate_regression(y_true,y_pred):maemean_absolute_error(y_true,y_pred)msemean_squared_error(y_true,y_pred)rmsenp.sqrt(mse)print(fMAE:{mae:.4f})print(fMSE:{mse:.4f})print(fRMSE:{rmse:.4f})return{MAE:mae,MSE:mse,RMSE:rmse}# 分类评估defevaluate_classification(y_true,y_pred,y_probNone):accuracyaccuracy_score(y_true,y_pred)precisionprecision_score(y_true,y_pred,averageweighted)recallrecall_score(y_true,y_pred,averageweighted)f1f1_score(y_true,y_pred,averageweighted)cmconfusion_matrix(y_true,y_pred)print(fAccuracy:{accuracy:.4f})print(fPrecision:{precision:.4f})print(fRecall:{recall:.4f})print(fF1-score:{f1:.4f})print(fConfusion Matrix:\n{cm})return{accuracy:accuracy,precision:precision,recall:recall,f1:f1,confusion_matrix:cm}9.2 学习路径建议基础掌握MAE/MSE/Accuracy 的计算与理解核心深入混淆矩阵、精确率、召回率、F1 分数高级应用AUC-ROC、PR 曲线、多分类指标业务结合根据实际场景选择评估指标学习资源scikit-learn 官方文档模型评估机器学习实战指标选择指南深度学习中的损失函数网络取材参考ant-exercises-sklearn: scikit-learn 编程练习 100例作者注刚开始学习数据集的处理在这里同步学习成果、激励自己坚持到底。本文基于开源学习资料整理结合个人理解进行了系统化梳理和优化排版。