数据挖掘中的度量

在数据挖掘中，度量是指用于衡量模型性能或数据特征的指标。以下是常见的度量：

1. 准确率（Accuracy）：分类模型中正确分类的样本数占总样本数的比例。

2. 精确率（Precision）：分类模型中预测为正例且实际为正例的样本数占所有预测为正例的样本数的比例。

3. 召回率（Recall）：分类模型中预测为正例且实际为正例的样本数占所有实际为正例的样本数的比例。

4. F1值：精确率和召回率的调和平均数，用于综合评价分类模型的性能。

5. 均方误差（Mean Squared Error，MSE）：回归模型中预测值与真实值之差的平方和除以样本数。

6. 均方根误差（Root Mean Squared Error，RMSE）：均方误差的平方根，用于度量回归模型的预测误差大小。

7. 相对误差（Relative Error）：预测值与真实值之差除以真实值的比例，用于度量回归模型的相对误差大小。

8. 信息熵（Entropy）：用于度量数据集的纯度和不确定性，熵越大表示数据集越不纯。

9. 基尼系数（Gini Index）：用于度量决策树模型中节点的不纯度，基尼系数越小表示节点越纯。

10. AUC（Area Under Curve）：用于度量二分类模型的性能，AUC越大表示模型性能越好