机器学习中参数优化或交叉验证评估指标含义

在Scikit-Learn中，cross_val_score函数支持多种不同的评分标准（scoring参数）。以下是一些常见的评分标准及其应用场景：

参考链接：
https://blog.csdn.net/worther/article/details/126909270

https://zhuanlan.zhihu.com/p/509437755

• 分类问题：

•   accuracy: 准确率
    roc_auc, roc_auc_ovo, roc_auc_ovr: ROC曲线下面积
    average_precision: 平均精度
    f1, f1_macro, f1_micro, f1_weighted: F1分数
    precision, precision_macro, precision_micro, precision_weighted: 精度
    recall, recall_macro, recall_micro, recall_weighted: 召回率
    balanced_accuracy: 平衡准确率
  

• 回归问题：

•   neg_mean_squared_error: 均方误差（负值）
    neg_mean_absolute_error: 平均绝对误差（负值）
    neg_root_mean_squared_error: 均方根误差（负值）
    neg_median_absolute_error: 中位绝对误差（负值）
    r2: 决定系数（R²）
    explained_variance: 解释方差
    max_error: 最大误差
  

• 聚类问题：

•   adjusted_rand_score: 调整后的Rand指数
    homogeneity_score: 同质性得分
    completeness_score: 完整性得分
    v_measure_score: V-measure得分
    adjusted_mutual_info_score: 调整后的互信息得分
    normalized_mutual_info_score: 标准化互信息得分
  

这些评分标准各有其适用场景和特点。选择哪种评分标准取决于你的具体任务和模型评估的需求。例如，在回归任务中，如果你关心预测误差的大小，可以选择neg_mean_squared_error或neg_mean_absolute_error；而如果你关心模型解释的方差比例，可以选择r2。

每文一语

加油