模型评估的介绍
🌟 欢迎来到AI奇妙世界！ 🌟
亲爱的开发者朋友们，大家好！👋
我是人工智能领域的探索者与分享者，很高兴在CSDN与你们相遇！🎉 在这里，我将持续输出AI前沿技术、实战案例、算法解析等内容，希望能和大家一起学习、交流、成长！💡
🔥 为什么关注AI？
人工智能正在重塑世界！🌍
🚀 深度学习让机器拥有“视觉”“听觉”
🤖 **大模型（如GPT、文心一言）**改变人机交互方式
📊 数据科学赋能商业决策
🏥 AI医疗助力精准诊断
🛒 智能推荐优化用户体验
无论你是AI新手👶，还是资深极客👨💻，这里都有适合你的内容！📌 你将在这里看到什么？
✅ AI基础入门（Python、TensorFlow/PyTorch）
✅ 实战项目（图像识别、NLP、推荐系统）
✅ 论文解读（CVPR、NeurIPS最新研究）
✅ 行业动态（AI政策、大模型进展）
✅ 避坑指南（训练技巧、调参经验）💬 期待与你互动！
📢 评论区随时交流，欢迎提问！
💌 私信开放，一起探讨技术难题！
🤝 关注我，AI学习路上不迷路！最后，送上一句AI圈的经典名言：
“人工智能不会取代人类，但会用AI的人会取代不用AI的人。”
让我们一起拥抱AI时代，用代码改变未来！🚀
点击关注👉，开启AI之旅！ 🔥🔥🔥
目录
一.模型评估的方法
1.分类模型评估
2.回归模型评估
二.欠拟合、过拟合发生的情况
1.欠拟合（under-fitting）
2.过拟合（over-fitting）
小结
一.模型评估的方法
模型评估是模型开发过程不可或缺的一部分，它有助于发现表达数据的最佳模型和所选模型将来工作的性能如何。
按照数据集的目标值不同，可以把模型评估分为分类模型评估和回归模型评估。
1.分类模型评估
- 准确率：预测正确的数，占样本总数的比例。
- 其他评价指标：精确率、召回率、F1-score、AUC指标等。
2.回归模型评估
举例
二.欠拟合、过拟合发生的情况
模型评估，是用来评价训练好的模型的表现效果的。
其表现效果大致可以分成两类：过拟合、欠拟合。
在训练过程中，你可能会遇到这种问题：明明训练数据训练的很好，误差也不大，但却在测试集上面有问题。当算法在某个数据集当中出现了该情况，可能就出现了拟合问题。
1.欠拟合（under-fitting）
因为机器学到的特征太少了，从而导致区分标准太粗糙，不能准确识别。
欠拟合（under-fitting）：模型学习的太过粗糙，连训练集中的样本数据特征关系都没有学明白。
举例：
2.过拟合（over-fitting）
机器已经能基本区别天鹅和其他动物了。然后很不巧，已有的天鹅图片全是白天鹅的，于是机器经过学习后，会认为天鹅的羽毛都是白的，以后看到的羽毛是黑的天鹅，就会认为那不是天鹅。
过拟合（over-fitting）：所训练的模型在训练样本中表现得过于优越，导致在测试数据集中表现不佳。（说白了就是，模型不应该学习白羽毛这一特征，就能识别出来黑天鹅了）
- 欠拟合，就是训练好的模型学特征学少了；
- 过拟合，就是训练好的模型学特征学多了。
小结
举例：识别是不是人类
- 欠拟合：我们训练的模型，学到的特征是有四肢、有嘴巴，那么识别一只猫，也会认为猫是人，因为模型学到的特征太少了，因此应该再加上一条身高特征。
- 过拟合：我们训练的模型，学到的特征有一条是黄皮肤（这一个特征明显不应该学），那么在识别非洲同胞时，就会认为不是人类，这显然是不正确的。这就是因为模型学特征学多了，根本不应该学皮肤颜色这个特征。
以上就是欠拟合、过拟合的例子，应该还是很好理解的。
以上就是本篇文章的全部内容，喜欢的话可以留个免费的关注呦~~~