机器学习中的模型评价

两篇关于模型评价的博客，写得很好

https://blog.csdn.net/heyongluoyao8/article/details/49408319
https://blog.csdn.net/pipisorry/article/details/52574156

sklearn库中的模型评价

https://blog.csdn.net/pipisorry/article/details/52250760

ROC曲线和AUC值：

http://alexkong.net/2013/06/introduction-to-auc-and-roc/
ROC曲线实例：
http://scikit-learn.org/stable/auto_examples/model_selection/plot_roc_crossval.html#example-model-selection-plot-roc-crossval-py
自己的总结：

对于AUC，解释一下：首先AUC值是一个概率值，当你随机挑选一个正样本以及一个负样本，当前的分类算法根据计算得到的Score值将这个正样本排在负样本前面的概率就是AUC值。当然，AUC值越大，当前的分类算法越有可能将正样本排在负样本前面，即能够更好的分类。
AUC值越大的分类器，正确率越高。
AUC值的评价标准：
.90-1 = very good (A)
.80-.90 = good (B)
.70-.80 = not so good (C)
.60-.70 = poor (D)
.50-.60 = fail (F)