6.7 评估验证
在机器学习领域，模型完成训练之后，还有最后一个必要步骤：对建立的模型进行性能评估（Evaluation），得到该模型的性能指标，只有有了量化的标准，才能更好地衡量我们选择的模型和训练的过程是否正确。而如何评估模型性能，这其实已经不是什么新的知识了，传统统计学中已有成熟的方法可供使用。
6.7.1 性能度量
在之前介绍损失函数的时候，我们已经初步涉及模型性能度量的问题。关于评价一个机器学习模型的性能指标，根据其解决问题的类型，前人已总结出许多指标可供选择。与分类问题相关的指标有“正确率”（它和错误率是同一个指标，即“1- 错误率”）、“精确率”（Precision）、“召回率”（Recall）和“F1 分数”（F1-Measure）等，而与回归问题相关的指标有各种类型的误差指标，如“平均绝对误差”（Mean Absolute Error）、“均方误差”（Mean Squared Error）、“标准差”（Standard Deviation）等，还有分数类型的指标，如“F2 分数”（F2-Measure）、“可释方差分数”（Explained Variance Score）等。
限于篇幅，笔者不一一解释上述指标的概念和用途，依然以实践优先的原则，仅以前文实战里邮件分类过程中遇到的指标作为范例展开讲解，这里首先要说清楚“正确率”“精确率”和“召回率”这三个指标的意义。现在，先假定一个具体场景作为后续讨论的基础：
228
第三部分 第三波高潮