一、分类任务常用指标
1. 准确率（Accuracy）
- 定义：正确预测样本数占总样本数的比例。
- 优点：直观易懂，适用于类别平衡的数据。
- 缺点：对类别不平衡数据敏感（如欺诈检测中99%的负样本）。
- 应用场景：类别分布均匀的简单分类任务（如手写数字识别）。
2. 精确率（Precision）与召回率（Recall）
- 定义：
- 精确率 = TP / (TP + FP)（预测为正的样本中实际为正的比例）。
- 召回率 = TP / (TP + FN)（实际为正的样本中被正确预测的比例）。
- 优点：
- 精确率关注减少假阳性（如垃圾邮件检测）。
- 召回率关注减少假阴性（如癌症筛查）。
- 缺点：二者通常存在权衡（Trade-off）。
- 应用场景：
- 精确率：对误报敏感的任务（如推荐系统）。
- 召回率：对漏检敏感的任务（如医疗诊断）。
3. F1 Score
- 定义：精确率和召回率的调和平均（F1 = 2 * (Precision*Recall)/(Precision+Recall)）。
- 优点：综合平衡精确率和召回率，适用于类别不平衡数据。
- 缺点：假设精确率和召回率同等重要，不适用于多分类的复杂场景。
- 应用场景：需要平衡假阳性和假阴性的任务（如异常检测）。
4. ROC-AUC
- 定义：ROC曲线下面积，反映模型在不同阈值下的分类性能。
- 优点：
- 缺点：计算复杂度高，对类别均衡的简单任务可能不如F1直观。
- 应用场景：需要全面评估分类性能的场景（如广告点击率预测）。
二、回归任务常用指标
1. 均方误差（MSE）
- 定义：预测值与真实值差的平方的平均值。
- 优点：对异常值敏感，惩罚大误差。
- 缺点：量纲不直观（平方单位）。
- 应用场景：需要强调大误差的任务（如房价预测）。
2. 平均绝对误差（MAE）
- 定义：预测值与真实值绝对差的平均值。
- 优点：量纲直观，对异常值鲁棒。
- 缺点：无法反映误差方向。
- 应用场景：需要稳健评估的任务（如库存需求预测）。
3. R²（决定系数）
- 定义：模型解释的方差占数据总方差的比例。
- 优点：无量纲，可横向比较不同模型。
- 缺点：对过拟合敏感。
- 应用场景：解释模型对数据的拟合程度（如科学实验建模）。
三、深度学习特定任务指标
1. IoU（交并比）
- 定义：预测区域与真实区域交集面积占并集面积的比例。
- 优点：直观衡量分割或检测的定位精度。
- 缺点：对边界敏感，无法反映类别重要性。
- 应用场景：图像分割、目标检测（如自动驾驶中的障碍物识别）。
2. BLEU（双语评估替补）
- 定义：通过n-gram匹配评估机器翻译结果与参考译文的相似度。
- 优点：快速计算，适用于大规模文本生成。
- 缺点：忽略语义和语法结构，对短文本不敏感。
- 应用场景：机器翻译、文本摘要。
3. 困惑度（Perplexity）
- 定义：模型对测试数据概率分布的逆几何平均。
- 优点：直接反映语言模型的预测能力。
- 缺点：依赖训练数据分布，无法反映生成文本的多样性。
- 应用场景：语言模型评估（如GPT系列模型）。
四、选型建议
- 类别不平衡：优先选择F1、AUC、PR-AUC。
- 异常值敏感：MAE优于MSE。
- 多目标优化：结合多个指标（如目标检测中的mAP）。
- 生成任务：BLEU、ROUGE、CIDEr结合人工评估。
