常用機器學習算法包括分類、回歸、聚類等幾大類型，以下針對不同模型總結其評估指標
一、分類模型
常見的分類模型包括：邏輯回歸、決策樹、朴素貝葉斯、SVM、神經網絡等，模型評估指標包括以下幾種：
（1）二分類問題
（a）混淆矩陣
准確率A：預測正確個數占總數的比例
精准率P：正例樣本中有多少被預測正確了
召回率R：預測的正例樣本中有多少是正確的
F1 Score（精准率與召回率集成）：2P*R/(P+R)
（b）ROC曲線：ROC曲線應盡量偏離參考線，越靠近左上越好
（c）AUC：ROC曲線下面積，參考線面積為0.5，AUC應大於0.5，且偏離越多越好
（d）Lift曲線：表示“運用該模型”與“未運用該模型即隨機選擇”所得結果的比值，Lift應該移植大於1，且Lift(提升指數)越大，模型預測效果越好
（2）多分類問題
評價多分類模型一般采用准確率作為評估指標
二、回歸模型
常見的回歸模型包括線性回歸、多項式回歸、Lasso回歸、嶺回歸、彈性網絡、SVM、神經網絡，評估指標見以下總結
（1）MSE
均方誤差，SSE/m，值越小代表擬合效果越好，用來衡量不同模型對於同一數據集的擬合效果
（2）R^2
決定系數，1-SSE/SST，用於度量模型的解釋能力，是相關系數的平方，取值范圍為0~1，越接近1表示模型參考價值越高，在scikit-learn中LinearRegression.score就是使用的決定系數，也可以使用專門的庫metrics.r2_score
（3）修正的R^2
在多元線性回歸中，決定系數會虛高，加一個自變量就會增大，加公式進行修正 1-[SSE/(n-p-1)/[SST/(n-1)]，得到修正的決定系數
三、聚類模型
常見的聚類模型有KMeans、密度聚類、層次聚類等，主要從簇內的稠密成都和簇間的離散程度來評估聚類的效果，評估指標包括：
（1）輪廓系數 Silhouette Corfficient
輪廓系數由凝聚度和分離度共同構成，組內SSE越小，組間SSB越大，聚類效果越好，輪廓系數在-1~1之間，值越大，聚類效果越好
（2）協方差系數 Calinski-Harabaz Index
類別內部數據協方差越小越好，類別之間協方差越大越好，這樣協方差系數會越高。