這裏主要講的是對分類模型的評估。

1、準確率（Accuracy)

準確率的定義是：【分類正確的樣本】 / 【總樣本個數】，其中分類正確的樣本是不分正負樣本的

優點：簡單粗暴

缺點：當正負樣本分布不均衡的情況（假設一種極端情況，正樣本1個，負樣本99個），此時即使一個比較差的模型（只會將所用的樣本預測成負樣本），那它也有99%的準確率。

總結一下就是 當樣本分布不均勻，該指標意義不大

改進方案： 1、在不同樣本分類下求它的準確率，然後取平均值

2、選取其他評價指標

2、PR曲線

Precision（精準率）：【分類正確的正樣本個數】/【被預測為正樣本的個數】

Recall（召回率）：【分類正確的正樣本個數】/【真實中正樣本的個數】

Precision 與 Recall是一對既矛盾又統一的變量

矛盾是指：如果想要高的 精準率，也就要求模型要非常強，強到 預測為正樣本的樣本 全部都是正確的，此時Precision=1，而

統一是指：

模型評估【PR|ROC|AUC】