模型的评估指标(acc、loss等)如何计算？

模型的主要评估指标包括准确率(acc)和损失(loss)。

• 预测准确率(Accuracy):

准确率衡量模型预测正确的比例,公式为:

Accuracy = (TP+TN) / (TP+FP+FN+TN)

TP是预测正确的正样本数,FN是预测错误的正样本数,FP是预测为正但实际为负的样本数,TN是正确识别负样本数。
准确率越高,模型效果越好。

• 损失函数(Loss):

常见的损失函数有:

1. 交叉熵(适用于分类问题):

loss=-sum(y*log(a)) 

其中 y是标签值,a 是神经网络输出的值。

2. 均方误差(适用于回归问题):

loss = 1/n * sum((y-a)^2)

y是真实值,a 是预测值。
损失函数越小,模型效果越好。
通过优化神经网络的参数θ,来使loss尽量的小。

• 正确率和损失函数的关系:

1. 当正确率高时,loss一般会低。
2. 当损失函数低时,正确率一般会高。

model的评估不仅要看准确率高低,还要看loss的大小。两者互相影响,却反应的是模型从不同角度的性能。