AI常用评估指标

一个AI模型性能的好坏，需要通过评估指标来间接地反映，因此如何选择合适的评估指标对于一个AI模型来说显得尤为重要，本文主要介绍了在不同AI任务当中常见的几个评价指标。

一、分类任务

1.混淆矩阵

混淆矩阵（Confusion Matrix）是在分类问题中用于评估模型性能的表格，它展示了模型在测试数据集上的预测结果与实际标签之间的关系。混淆矩阵是一个二维的表格，其中包含以下四个重要的指标：

（1）真正例（True Positive，TP）：模型正确地将正类别样本预测为正类别。

（2）真负例（True Negative，TN）：模型正确地将负类别样本预测为负类别。

（3）假正例（False Positive，FP）：模型将负类别样本错误地预测为正类别。

（4）假负例（False Negative，FN）：模型将正类别样本错误地预测为负类别。

2. 准确度（Accuracy）：

模型正确预测的样本占总样本数的比例，计算方法为 ：

3. 精确度（Precision）：

正类别的预测正确率，计算方法为：