如何评价算法的好坏？
发布时间：2025-06-09 点击：3
评价一个算法的好坏，我认为关键是看能不能解决问题。如果算法能很好地解决实际的问题，那么我认为就是好算法。 比如预测的算法，关键是看预测的准确率，即预测值与实际值之间的接近程度，而不是看算法本身的评分高低。
在《 如何用人工智能预测双 11 的交易额 》这篇文章中，利用线性回归算法，我预测 2019 年双 11 交易额为 2471 亿元，而阿里官方公布的实际交易额是 2684 亿元，预测值比实际值少 7.9%，对这个结果，我觉得准确率不够高。反思预测的过程，我认为可以从以下几个方面来进行改进。
1. 样本
为了简化算法模型，我舍弃掉了前几年相对较小的数据，只保留了最近 5 年的数据。
在数据量本身就比较少的情况下，我仍然遵循简单原则，这无形中就加大了算法不稳定的风险，出现了欠拟合的问题。
尽管算法的评分很高，但是评分高并不代表算法就好。所以，样本的选择非常重要，不能单纯地追求算法的评分高，而忽略样本的质量。
2. 算法
如果保留所有样本，那么显然数据呈现的规律并不是线性的，用多项式回归算法应该是个更好的选择。
假如用三次多项式回归算法进行预测，那么算法代码如下：
#导入所需的库importnumpyasnpimportpandasaspdimportmatplotlib.pyplotaspltfromsklearn.linear_modelimportlinearregressionfromsklearn.preprocessingimportpolynomialfeaturesfromsklearn.pipelineimportpipelinefromsklearn.preprocessingimportstandardscaler#内嵌画图%matplotlibinline#设置正常显示中文标签plt.rcparams['font.sans-serif']=['simhei']#读取数据，在林骥的公众号后台回复「1111」df=pd.read_excel('./data/1111.xlsx')#x年份x=np.array(df.iloc[:,0]).reshape(-1,1)#y交易额y=np.array(df.iloc[:,1])#z预测的年份z=[[2019]]#用管道的方式调用多项式回归算法poly_reg=pipeline([('ploy',polynomialfeatures(degree=3)),('std_scaler',standardscaler()),('lin_reg',linearregression())])poly_reg.fit(x,y)#用算法进行预测predict=poly_reg.predict(z)#输出预测结果print('预测2019年双11的交易额是',str(round(predict[0],0)),'亿元。')print('线性回归算法的评分：',poly_reg.score(x,y))预测 2019 年双 11 的交易额是 2689.0 亿元。
线性回归算法的评分：0.99939752363314
下面是用 matplotlib 画图的代码：
#将数据可视化，设置图像大小fig=plt.figure(figsize=(10,8))ax=fig.add_subplot(111)#绘制散点图ax.scatter(x,y,color='#0085c3',s=100)ax.scatter(z,predict,color='#dc5034',marker='*',s=260)#设置标签等plt.xlabel('年份',fontsize=20)plt.ylabel('双11交易额',fontsize=20)plt.tick_params(labelsize=20)#绘制预测的直线x2=np.concatenate([x,z])y2=poly_reg.predict(x2)plt.plot(x2,y2,'-',c='#7ab800')plt.title('用多项式回归预测双11的交易额',fontsize=26)plt.show()这近乎好地拟合了 2009 年以来十一年的数据，因此不禁让人怀疑，阿里的数据是不是过于好?
3. 优化
按照一般的机器学习算法流程，应该把数据拆分为两部分，分别称为训练数据集和测试数据集。从 2009 年到 2018 年，双 11 的交易额总共才 10 个数据，我在预测的时候还舍弃了前 5 个数据，最后只剩下 5 个数据，我以为再拆分就没有必要了。 但机器学习算法的表现好坏，有一个关键因素，就是要有足够多的数据量。
另外，应该适当地使用网格搜索法，优化算法的参数，必要时还要与交叉验证法相结合，进行算法评估，从而提高算法的可信度和准确率。 除了算法的准确率，还可以使用其他的方法对模型进行评价，比如：召回率、f1 分数、roc、auc、mse、rmse、mae 等等 。
现实世界是错综复杂的，很难用一个算法就解决问题，往往需要经过很多次的尝试，才可能找到基本符合的模型。需要注意的是，多项式回归的指数不宜过高，否则算法太复杂，很可能出现“过拟合”的现象，从而泛化能力比较差，也就是说，对于训练数据集能够很好地拟合，但是对于测试数据集的预测误差比较大。模型复杂度与预测误差的大致关系如下图所示：
小结
本文是我在用线性回归算法预测双 11 的交易额之后，做的一次复盘，总结了改进的思路，学习优化的方法。
学以致用，是我学习的基本原则。如果害怕出错，不去勇于实践，学习再多算法有什么用?这就如同我们不能指望不下水就学会游泳一样。
网站更新对百度收录的影响
论题库APP开发的优势
微营销做好微信准营销的技巧有哪些
SEO转发文章需要注意哪些细节？
后SEO时代，拿什么去拯救我们的流量？
制作网站在状态栏中实现活动文字效果
企业营销型网站公司如何吸引客户?
怎么人家都能成功卖货你发个广告都被说呢？
在《 如何用人工智能预测双 11 的交易额 》这篇文章中，利用线性回归算法，我预测 2019 年双 11 交易额为 2471 亿元，而阿里官方公布的实际交易额是 2684 亿元，预测值比实际值少 7.9%，对这个结果，我觉得准确率不够高。反思预测的过程，我认为可以从以下几个方面来进行改进。
1. 样本
为了简化算法模型，我舍弃掉了前几年相对较小的数据，只保留了最近 5 年的数据。
在数据量本身就比较少的情况下，我仍然遵循简单原则，这无形中就加大了算法不稳定的风险，出现了欠拟合的问题。
尽管算法的评分很高，但是评分高并不代表算法就好。所以，样本的选择非常重要，不能单纯地追求算法的评分高，而忽略样本的质量。
2. 算法
如果保留所有样本，那么显然数据呈现的规律并不是线性的，用多项式回归算法应该是个更好的选择。
假如用三次多项式回归算法进行预测，那么算法代码如下：
#导入所需的库importnumpyasnpimportpandasaspdimportmatplotlib.pyplotaspltfromsklearn.linear_modelimportlinearregressionfromsklearn.preprocessingimportpolynomialfeaturesfromsklearn.pipelineimportpipelinefromsklearn.preprocessingimportstandardscaler#内嵌画图%matplotlibinline#设置正常显示中文标签plt.rcparams['font.sans-serif']=['simhei']#读取数据，在林骥的公众号后台回复「1111」df=pd.read_excel('./data/1111.xlsx')#x年份x=np.array(df.iloc[:,0]).reshape(-1,1)#y交易额y=np.array(df.iloc[:,1])#z预测的年份z=[[2019]]#用管道的方式调用多项式回归算法poly_reg=pipeline([('ploy',polynomialfeatures(degree=3)),('std_scaler',standardscaler()),('lin_reg',linearregression())])poly_reg.fit(x,y)#用算法进行预测predict=poly_reg.predict(z)#输出预测结果print('预测2019年双11的交易额是',str(round(predict[0],0)),'亿元。')print('线性回归算法的评分：',poly_reg.score(x,y))预测 2019 年双 11 的交易额是 2689.0 亿元。
线性回归算法的评分：0.99939752363314
下面是用 matplotlib 画图的代码：
#将数据可视化，设置图像大小fig=plt.figure(figsize=(10,8))ax=fig.add_subplot(111)#绘制散点图ax.scatter(x,y,color='#0085c3',s=100)ax.scatter(z,predict,color='#dc5034',marker='*',s=260)#设置标签等plt.xlabel('年份',fontsize=20)plt.ylabel('双11交易额',fontsize=20)plt.tick_params(labelsize=20)#绘制预测的直线x2=np.concatenate([x,z])y2=poly_reg.predict(x2)plt.plot(x2,y2,'-',c='#7ab800')plt.title('用多项式回归预测双11的交易额',fontsize=26)plt.show()这近乎好地拟合了 2009 年以来十一年的数据，因此不禁让人怀疑，阿里的数据是不是过于好?
3. 优化
按照一般的机器学习算法流程，应该把数据拆分为两部分，分别称为训练数据集和测试数据集。从 2009 年到 2018 年，双 11 的交易额总共才 10 个数据，我在预测的时候还舍弃了前 5 个数据，最后只剩下 5 个数据，我以为再拆分就没有必要了。 但机器学习算法的表现好坏，有一个关键因素，就是要有足够多的数据量。
另外，应该适当地使用网格搜索法，优化算法的参数，必要时还要与交叉验证法相结合，进行算法评估，从而提高算法的可信度和准确率。 除了算法的准确率，还可以使用其他的方法对模型进行评价，比如：召回率、f1 分数、roc、auc、mse、rmse、mae 等等 。
现实世界是错综复杂的，很难用一个算法就解决问题，往往需要经过很多次的尝试，才可能找到基本符合的模型。需要注意的是，多项式回归的指数不宜过高，否则算法太复杂，很可能出现“过拟合”的现象，从而泛化能力比较差，也就是说，对于训练数据集能够很好地拟合，但是对于测试数据集的预测误差比较大。模型复杂度与预测误差的大致关系如下图所示：
小结
本文是我在用线性回归算法预测双 11 的交易额之后，做的一次复盘，总结了改进的思路，学习优化的方法。
学以致用，是我学习的基本原则。如果害怕出错，不去勇于实践，学习再多算法有什么用?这就如同我们不能指望不下水就学会游泳一样。
网站更新对百度收录的影响
论题库APP开发的优势
微营销做好微信准营销的技巧有哪些
SEO转发文章需要注意哪些细节？
后SEO时代，拿什么去拯救我们的流量？
制作网站在状态栏中实现活动文字效果
企业营销型网站公司如何吸引客户?
怎么人家都能成功卖货你发个广告都被说呢？