AI物理交互入口：51款开源灵巧手技术演进图谱
2026/10/11 8:44:19
机器学习常见的指标及其解释
机器学习中的评估指标种类繁多，没有“万能指标”，选择完全取决于你所解决的任务类型（分类、回归、聚类、排序等）以及业务关注的重点。
一、回归任务（预测连续数值）
这类任务评估的是“预测值”与“真实值”之间的偏差程度。
| 指标 | 英文全称 | 计算公式/含义 | 核心特点与适用场景 |
|---|---|---|---|
| MAE | 平均绝对误差 | 1n∑∣yi−y^i∣\frac{1}{n}\sum|y_i - \hat{y}_i|n1∑∣yi−y^i∣ | 直观，表示平均差多少。对异常值不敏感，适合业务解释（如房价预测）。 |
| MSE | 均方误差 | 1n∑(yi−y^i)2\frac{1}{n}\sum(y_i - \hat{y}_i)^2n1∑(yi−y^i)2 | 放大较大误差，对异常值非常敏感。常用于优化目标（梯度更平滑）。 |
| RMSE | 均方根误差 | MSE\sqrt{MSE}MSE | 量纲与原始数据一致，比MSE更直观。对异常值敏感，不适合含大量离群点的数据。 |
| MAPE | 平均绝对百分比误差 | 100%n∑∣yi−y^iyi∣\frac{100\%}{n}\sum|\frac{y_i - \hat{y}_i}{y_i}|n100%∑∣yiyi−y^i∣ | 相对百分比，直观易懂，适合不同尺度数据的对比（如销量预测）。 ⚠️致命弱点：真实值为0时无意义，且实际值很小时会异常放大。 |
| SMAPE | 对称平均绝对百分比误差 | 改进版MAPE，分母取$( | y_i| + |\hat{y}_i|)/2$ |
| R² (决定系数) | Coefficient of Determination | 1−SSresSStot1 - \frac{SS_{res}}{SS_{tot}}1−SStotSSres | 模型解释力，取值(-∞, 1]。衡量模型比简单均值好多少。负值说明模型还不如直接取平均值。 |
二、分类任务（预测离散标签）
这是机器学习最庞大的评估体系，包含二分类、多分类和特殊的不平衡分类场景。
1. 基础指标（基于混淆矩阵）
| 指标 | 核心公式 | 通俗理解 | 适用场景 |
|---|---|---|---|
| 准确率 (Accuracy) | (TP+TN)/Total | 整体猜对的比例 | 适合各类别样本数量大致均衡的场景（如手写数字识别）。 |
| 精确率 (Precision) | TP/(TP+FP) | “宁缺毋滥”，预测为正例的样本中有多少是真正的正例。 | 垃圾邮件过滤（宁愿漏掉，不愿误把正常邮件放垃圾箱）。 |
| 召回率 (Recall) | TP/(TP+FN) | “宁可错杀一千”，所有真实正例中有多少被成功找出来。 | 疾病筛查、金融风控（漏掉一个病人的后果比误判严重）。 |
| F1-Score | (2 * (P * R) / (P + R)) | 精确率和召回率的调和平均。 | 需要同时兼顾P和R，且数据存在不均衡时（如信用卡欺诈）。 |
2. 高级指标（不均衡数据专用）
- AUC-ROC：衡量模型对正负样本排序能力的阈值无关指标。AUC=0.5相当于随机猜，越接近1越好。它对正负样本比例不敏感，是不均衡分类的首选标准。
- AUC-PR (PR曲线下面积)：当负例极多，正例极少时，PR曲线比ROC曲线更能反映模型表现（因为ROC可能因TN多而虚高）。
三、聚类任务（无监督，无标签）
评估聚类效果通常分为内部评估（无需真实标签）和外部评估（需要真实标签）。
| 指标 | 适用类型 | 核心逻辑 |
|---|---|---|
| 轮廓系数 (Silhouette Score) | 内部评估（最常用） | 综合衡量簇内紧密（内聚度）和簇间分离（分离度），取值[-1, 1]，越大越好。 |
| 戴维斯-布尔丁指数 (DBI) | 内部评估 | 衡量簇内距离与簇间距离之比，越小代表聚类效果越好。 |
| 调整兰德指数 (ARI) | 外部评估（需真实标签） | 衡量两个数据划分的相似程度，已校正随机性，取值[-1, 1]。 |
| 互信息 (NMI) | 外部评估 | 衡量真实标签与聚类标签的共享信息量，取值[0, 1]，越大越好。 |
四、排序与推荐系统（Top-K场景）
评估模型返回的前K个结果的优劣。
| 指标 | 核心含义 | 适用场景 |
|---|---|---|
| NDCG@K | 归一化折损累计增益：考虑排序位置的顺序权重（排名越靠前，权重越大）。 | 搜索引擎、电商推荐，用户更关心首页前几名的结果。 |
| MRR | 平均倒数排名：关注第一个正确答案出现的位置。 | 问答系统、导航查询（只关心最匹配的那一个）。 |
| Hit Rate (Recall@K) | 前K个推荐结果中是否包含了用户真实喜欢的物品。 | 粗略评估推荐系统的命中覆盖能力。 |
五、生成式AI / 大语言模型（文本生成）
这类任务有独特的评估方式，但也是争议最大的。
| 指标 | 核心逻辑 | 缺点 |
|---|---|---|
| 困惑度 (Perplexity) | 衡量模型对测试数据预测概率的倒数，越低代表模型越不“困惑”。 | 只反映模型自信度，与生成文本的实际质量（通顺、逻辑）关联不大。 |
| BLEU | 衡量生成文本与参考译文之间的N-gram精确匹配（侧重精确率）。 | 惩罚短句，不擅长同义词识别，只适合机器翻译。 |
| ROUGE | 衡量生成文本与参考文本的N-gram重叠率（侧重召回率）。 | 主要用于文本摘要评估。 |
| BERTScore / GPTScore | 利用BERT/GPT等预训练模型计算语义向量相似度。 | 算力消耗大，但比BLEU更能捕捉语义（最新趋势）。 |
🎯 如何快速做出选择？（决策树）
- 业务是预测具体数值？→ 选MAE（易解释）或RMSE（放大错误）；若需要百分比看MAPE（确保Y没有0）。
- 业务是分类，且类别均衡？→准确率足够，但建议附带混淆矩阵。
- 业务是分类，且正负样本极度不均？（如欺诈、癌症）→ 舍弃准确率，紧盯召回率（Recall）和AUC-ROC，或使用F1。
- 业务是推荐/搜索？→ 关注NDCG@K和Hit Rate@K。
- 业务是无监督聚类？→ 首选轮廓系数。