为什么对不同的机器学习算法采用不止一种评估方法很重要？
Why is it important to have more than one evaluation method for different machine learning algorithms?
找不到准确简洁的答案。我对不同的机器学习评估方法不是特别感兴趣，我只是想知道为什么拥有不止一种很重要？
每个指标都提供不同的见解，并以不同的方式评估您的模型。
举个二元分类的例子：
- 准确性告诉您有多少百分比的预测是正确的。但是，如果您还想知道到底有多少个 1 出错了怎么办 [即你预测 0 应该是 1]。为此，您将计算召回分数。
所以你明白了，也许你想要好的准确率和好的召回率[现实世界的例子：也许垃圾邮件检测]，所以你看看这两个指标并明智地选择
找不到准确简洁的答案。我对不同的机器学习评估方法不是特别感兴趣，我只是想知道为什么拥有不止一种很重要？
每个指标都提供不同的见解，并以不同的方式评估您的模型。 举个二元分类的例子：
- 准确性告诉您有多少百分比的预测是正确的。但是，如果您还想知道到底有多少个 1 出错了怎么办 [即你预测 0 应该是 1]。为此，您将计算召回分数。
所以你明白了，也许你想要好的准确率和好的召回率[现实世界的例子：也许垃圾邮件检测]，所以你看看这两个指标并明智地选择