從Weka工具跑回歸模型可以看到評估的輸出，怎麼解讀自行腦補過，大概明白了些。

翠花，上截圖！

我們普通人最直接的理解是正確率吧。應該對應到Correctly Classified Instances比例（正確分類了的例項）。
在上圖中，總例項數1000，正確分類了963，*正確率*96.3% 。

TP、FP、FN、TN
但一兩個數往往說明不了問題，專業人士們，會看真的、被分對、真的、被分錯、假的、被分錯、假的、被分對各是什麼情況。
專業人士說用TP、FN、FP、TN來表示……

• TP：True Positive，“真陽性”。
• FP：False Positive，“假陽性”。
• FN：False Negative，“假陰性”。
• TN：True Negative，“真陰性”。

老外發明的標記法，跟我們東方人思維不一樣，太混淆了，對比了N篇部落格和翻譯之後，我覺得可以這樣理解：
“T”表示判定對了，“F”表示判定錯了
“P”表示有事（即“命中”、“對應上”），“N”表示沒事
於是：

• TP：正確地判定了“命中”
• FP：錯誤地判定了“命中”
• TN：正確地判定了“不命中”
• FN：錯誤地判定了“不命中”

有幾個術語：

• 誤檢率： fp rate = sum(fp) / (sum(fp) + sum(tn))
• 查準率： precision rate = sum(tp) / (sum(tp) + sum(fp))
• 查全率： recall rate = sum(tp) / (sum(tp) + sum(fn))
• 漏檢率：miss rate = sum(fn) / (sum(tp) + sum(fn))

能再專業一點？
唉，我盜個圖吧……

ROC曲線、AUC
ROC曲線的橫座標為false positive rate（FPR），縱座標為 true positive rate（TPR）
當測試集中的正負樣本的分佈變化的時候，ROC曲線能夠保持不變。根據每個測試樣本屬於正樣本的概率值從大到小排序，依次將 “Score”值作為閾值threshold，當測試樣本屬於正樣本的概率 大於或等於這個threshold時，認為它為正樣本

計算出ROC曲線下面的面積，就是AUC的值。 介於0.5和1.0之間，越大越好。

Kappa statics
Kappa值，即內部一致性係數(inter-rater,coefficient of internal consistency)，是作為評價判斷的一致性程度的重要指標。取值在0～1之間。Kappa≥0.75兩者一致性較好；0.75>Kappa≥0.4兩者一致性一般；Kappa<0.4兩者一致性較差。
第一個圖上，所顯示的Kappa值有0.9356，那就算很好了。

Mean absolute error 和 Root mean squared error
平均絕對誤差和均方根誤差，用來衡量分類器預測值和實際結果的差異，越小越好。

Relative absolute error 和 Root relative squared error
相對絕對誤差和相對均方根誤差，有時絕對誤差不能體現誤差的真實大小，而相對誤差通過體現誤差佔真值的比重來反映誤差大小。