分类模型的效果评估

数据挖掘建模中最后一步就是对模型进行效果评估，验证模型的性能，让你的模型具有说服力，本文对分类模型的评估做了汇总，并结合Sklearn讲解如何绘制ROC曲线、PR曲线。

混淆矩阵

真正例TP（True Positive）、假负例FN（False Negative）
假正例FP（False Positive）、真负例TN（True Negative）
分类评价指标说明：

1. 精准率（Precision）也称查准率，表示模型预测结果为正样本的样例中，真实情况为正样本的样例所占比例。
   
2. 召回率（Recall）也称查全率，表示真实情况为正样本的样例中，被模型预测为正样本的比例。
   
3. 准确率（Accuracy）表示模型预测准的样例占总样本的比例。但是在实际建模中，很少使用这么指标，因为在正样本和负样本不均衡时，假如正样本950个，负样本50个，这是随意乱猜都为正样本，准确率也可以的高达95%,因此在样本分布不均时，一般不看这个指标，而是采用F1指标。
   
4. F1也称F1_score,它是基于精准率和召回率的调和平均值。P指的是Precision，R指的是Recall
   
5. Fβ对精准率和召回率设置不同的权重，区别对待,
   当β>1时更看重召回率（查全率）；当β<1时更看重精准率（查准率）；当β=1时即为F1值。