Python 列车/测试OOB分数、准确性和f1分数

我真的是个新手，相当困惑。我正在用随机森林（分类）训练我的模型，并试图完全掌握以下概念

据我所知：您使用训练/测试分割或交叉验证或oob（引导方法）分割您的模型 . 然后，精度分数或f1分数表示模型在测试集上的性能（精度对于平衡类更好，f1对于不平衡类更好）

但是OOB分数代表了验证集有多好，那么模型对数据的训练有多好

我是不是误会了这里的一切

我对准确度/f1分数和OOB分数之间的差异感到困惑

---

如果您有任何意见，我们将不胜感激。

以下是您所看到的两个不同方面：

度量，这些是用于评估模型在一组数据上的性能的数学公式，因此您可以为其提供基本事实（真实标签）和预测标签，并计算度量分数，这些度量包括：

• 准确度
• 精密度
• 回忆
• F1
• 微卫星
• 等等

方差缩减，这些方法用于减少模型的方差，即：防止模型与数据过度拟合，这些方法包括：

• 使用两套不同的装置（即列车/测试分离）
• 交叉验证（例如K倍交叉验证、LOOCV等）
• 这种方法特别适用于随机森林算法，用于引导集合（森林）中每个学习者使用的数据
• 等等

因此，基本上，您使用一种方法来尝试减少模型的差异，从而改进度量

---

至于你的具体问题：什么是OOB分数的准确性分数？OOB算法创建用于训练的数据子集，然后根据这些子集的预测标签使用度量计算分数。

我投票结束这个问题，因为它不是关于中定义的编程，而是关于ML理论和/或方法-请参阅

机器学习

。