推荐答案
在 R 语言中，常用的模型评估指标包括：
分类模型评估指标：
- 准确率（Accuracy）
- 精确率（Precision）
- 召回率（Recall）
- F1 分数（F1 Score）
- ROC 曲线下面积（AUC-ROC）
- 混淆矩阵（Confusion Matrix）
回归模型评估指标：
- 均方误差（Mean Squared Error, MSE）
- 均方根误差（Root Mean Squared Error, RMSE）
- 平均绝对误差（Mean Absolute Error, MAE）
- R 平方（R-squared）
- 调整后的 R 平方（Adjusted R-squared）
聚类模型评估指标：
- 轮廓系数（Silhouette Score）
- 戴维森堡丁指数（Davies-Bouldin Index）
- Calinski-Harabasz 指数
时间序列模型评估指标：
- 平均绝对百分比误差（Mean Absolute Percentage Error, MAPE）
- 平均绝对标度误差（Mean Absolute Scaled Error, MASE）
本题详细解读
分类模型评估指标
- 准确率（Accuracy）：分类正确的样本占总样本的比例。适用于类别平衡的数据集。
- 精确率（Precision）：预测为正类的样本中，实际为正类的比例。适用于关注假阳性（False Positive）的场景。
- 召回率（Recall）：实际为正类的样本中，预测为正类的比例。适用于关注假阴性（False Negative）的场景。
- F1 分数（F1 Score）：精确率和召回率的调和平均数，适用于类别不平衡的数据集。
- ROC 曲线下面积（AUC-ROC）：ROC 曲线下的面积，用于评估分类器的整体性能。
- 混淆矩阵（Confusion Matrix）：展示分类模型的预测结果与实际结果的对比矩阵。
回归模型评估指标
- 均方误差（MSE）：预测值与实际值之差的平方的平均值，对异常值敏感。
- 均方根误差（RMSE）：MSE 的平方根，与目标变量在同一量纲上。
- 平均绝对误差（MAE）：预测值与实际值之差的绝对值的平均值，对异常值不敏感。
- R 平方（R-squared）：模型解释的方差比例，取值范围为 0 到 1，值越大表示模型拟合越好。
- 调整后的 R 平方（Adjusted R-squared）：考虑了自变量数量的 R 平方，适用于多元回归模型。
聚类模型评估指标
- 轮廓系数（Silhouette Score）：衡量聚类结果的紧密度和分离度，取值范围为 -1 到 1，值越大表示聚类效果越好。
- 戴维森堡丁指数（Davies-Bouldin Index）：衡量聚类结果的紧密度和分离度，值越小表示聚类效果越好。
- Calinski-Harabasz 指数：衡量聚类结果的紧密度和分离度，值越大表示聚类效果越好。
时间序列模型评估指标
- 平均绝对百分比误差（MAPE）：预测值与实际值之差的绝对值的百分比的平均值，适用于相对误差的评估。
- 平均绝对标度误差（MASE）：基于基准模型的平均绝对误差的标度误差，适用于时间序列模型的评估。
这些指标在 R 语言中可以通过各种包（如 caret、Metrics、MLmetrics 等）进行计算和评估。