回归常用的指标
1)均方误差MSE：是反映估计值与被估计量之间差异程度的一种度量。
2)RMSE均方根误差：观测值与真值偏差的平方和与观测次数m比值的平方根，用来衡量观测值同真值之间的偏差。
3)SSE和方误差
4)MAE：直接计算模型输出与真实值之间的平均绝对误差
5)MAPE：不仅考虑预测值与真实值误差，还考虑了误差与真实值之间的比例。
6)平均平方百分比误差7)决定系数
分类常用的性能度量指标
精确率、召回率、F1、TPR、FPR、AUC、ROC曲线、混淆矩阵
预测为真真实为真TP(true positive)
预测为假真实为真FN(false negative)
预测为真真实为假FP(false positive)
预测为假真实为假TN(true negative)
「精确率」查准率 Precision=TP/(TP+FP)
「召回率」查全率Recall=TP/(TP+FN)
「真正例率」即为正例被判断为正例的概率TPR=TP/(TP+FN)
「假正例率」即为反例被判断为正例的概率FPR=FP/(TN+FP)
F1 :
错误率：
准确率：ACC = 1-e
AUC与ROC曲线
对于0、1分类问题，一些分类器得到的结果并不是0或1，如神经网络得到的是0.5、0.6等，此时就需要一个阈值cutoff，那么小于阈值的归为0，大于的归为1，可以得到一个分类结果。ROC曲线(Receiver Operational Characteristic Curve)是以False Positive
Rate为横坐标，True Postive Rate为纵坐标绘制的曲线。曲线的点表示了在敏感度和特殊性之间的平衡，例如越往左，也就是假阳性越小，则真阳性也越小。曲线下面的面积越大，则表示该方法越有利于区分两种类别。
AUC即为ROC曲线所覆盖的区域面积。
ROC曲线的主要意义是方便观察阈值对学习器的泛化性能影响，所以有助于选择最佳的阈值。ROC曲线越靠近左上角，模型的查全率就越高。最靠近左上角的ROC曲线上的点是分类错误最少的最好阈值，其假正例和假反例总数最少。
混淆矩阵
多分类指标
kappa系数