包含机器学习中评估指标的词条

分类和回归的区别是什么?

1、输出不同：分类输出的值是离散的，回归输出的值是连续的；（但不是严格意义上数学的连续和离散）分类输出物体的所属类别，回归输出物体的值；分类输出的值是定性的，回归输出的值是定量的；目的不同：分类是为了寻找决策边界，回归是为了找到最优拟合。

2、结果不同、目的不同。结果不同：分类的结果没有逼近，对就是对，错就是错，什么类别就是什么类别，最终结果只有一个，而回归是对真实值的一种逼近预测，值不确定，当预测值与真实值相近时，误差较小时，认为这是一个好的回归。

3、分类和回归是机器学习中两种常见的监督学习任务，它们的主要区别在于预测的目标变量的类型。目标变量类型：分类的目标是预测离散的标签，例如判断一封邮件是否为垃圾邮件（是/否）。而回归的目标是预测连续的数值，例如预测房价。输出结果：分类模型的输出是一个类别，通常使用概率来进行决策。

动态评价指标有哪些

1、净现值（NPV）：净现值是将未来现金流量折算到当前时点后，计算投资项目实际收入与支出之间的差额。净现值大于零说明该项目有盈利能力。现值指数（Pl）：现值指数是将未来现金流量折算到当前时点后，计算投资回报与初始成本之比。PI大于1表示该项目具有经济回报能力。

2、动态评价指标主要包括：ROC曲线、AUC值、准确率-召回率曲线以及F1分数。 ROC曲线与AUC值 ROC曲线，即受试者工作特征曲线，用于展示二分类问题中真正类率（TPR）与假正类率（FPR）之间的关系。通过调整分类器的阈值，可以得到不同的点，连接这些点即形成ROC曲线。

3、财务评价动态指标包括三个指标，即财务净现值、财务内部收益率、动态投资回收期：财务净现值：在项目计算期内，按行业基准折现率或其他设定的折现率计算的各年净现金流量现值的代数和。净现值是指投资方案所产生的现金净流量以资金成本为贴现率折现之后与原始投资额现值的差额。

哪个术语描述了机器学习模型的性能

1、功率和流量描述了机器学习模型的性能。功率和流量是衡量机器学习模型性能的重要指标。功率反映了模型的学习和计算能力，决定了模型处理数据的速度和效率。而流量则代表了模型的吞吐量，即模型在单位时间内能够处理的数据量。这两个指标共同决定了模型在实际应用中的表现。

2、Kappa是一个常用于统计学和机器学习领域的术语，特别是在评估分类模型的性能时。它表示的是模型预测结果与真实结果之间的相关性或一致性程度。简单来说，Kappa值衡量的是模型的预测准确性超出仅仅基于偶然性的概率的程度。其值通常介于-1到+1之间。下面详细介绍Kappa的含义和计算方式。

3、MFE测试是什么意思？对于很多人来说，这个术语可能比较陌生。MFE即为“Model-Free Evaluation”，是一种非常重要的贝叶斯优化框架。它的主要作用是帮助我们快速地评估各种机器学习模型的性能和效果。MFE测试的核心理念是建立一个可以对不同模型性能进行衡量的标准体系。

4、作为机器学习领域的术语“模型轻量化与深度”：在机器学习领域，特别是在深度学习中，模型轻量化与深度是提升模型性能和效率的重要方向。模型轻量化指的是在保证模型性能的前提下，通过优化算法、减少模型参数数量等方式，降低模型的计算复杂度和内存占用。