评估分类模型

2、混淆矩阵

3、准确度
准确度通常用来比较模型，因为它告诉我们正确分类的比例。

4、精度
精度主要关注的是数据集中预测 为“阳性”的数据。通过基于精度的优化，你将能确定与误报假阳性相比，你是否在预测正例的工作上做的很好（减少误报假阳性）。
精度 = 真阳性 / （真阳性 + 假阳性）

5、召回率
召回率主要关注数据集中的实际 “阳性”的数据。通过基于召回率的优化，你将能确定你是否在预测正例的工作上做的很好（减少漏报假阴性），而不必太考虑误报假阳性。如果你想在实际 ‘负例’上执行类似召回率的计算，这叫做特异性（specificity）。
1000/（1000+200）

6、F1分数
7、F-beta分数

你可以看到 β\betaβ 参数控制了精度在 F 分数中的权重，它允许同时考虑精度和召回率。最常见的 beta 值是1， 因为这是精度和召回率的调和平均

8、ROC曲线
通过为我们的分类指标设置不同的阈值，我们可以测量曲线下的面积（曲线称为 ROC 曲线）。与上面的其他指标类似，当 AUC 比较高（接近1）时，这表明我们的模型比指标接近 0 时要好。



曲线下的面积代表了模型的好坏，越好的模型，越接近1