1模型评估
我们在建立模型之后，接下来就要去评估模型，确定这个模型是否有用。
在实际情况中，我们会用不同的度量去评估我们的模型，而度量的选择取决于模型的类型和模型以后要做的事。
11二分类评估
二分类模型的评估。111业界标准叫法
二分类评估；分类算法。112应用场景
信息检索、分类、识别、翻译体系中。
1121新闻质量分类评估对于新闻APP，其通过各种来源获得的新闻，质量通常良莠不齐。
为了提升用户体验，通常需要构建一个分类器模型分类低质新闻和优质新闻，进而进行分类器的评估。
f1122垃圾短信分类评估
垃圾短信已经日益成为困扰运营商和手机用户的难题，严重影响人们的生活、侵害到运营商的社会公众形象。
构建二分类器模型对垃圾短信和正常短信进行分类，并进行二分类评估。
113原理
1131混淆矩阵
混淆矩阵（Co
fusio
Matrix）。来源于信息论，在机器学习、人工智能领域，混淆矩阵又称为可能性表格或错误矩阵，是一种矩阵呈现的可视化工具，用于有监督学习，在无监督学习中一般叫匹配矩阵。
混淆矩阵是一个NN的矩阵，N为分类（目标值）的个数，假如我们面对的是一个二分类模型问题，即N2，就得到一个22的矩阵，它就是一个二分类评估问题。
混淆矩阵的每一列代表预测类别，每一列的总数表示预测为该类别的数据的数目，每一行代表了数据的真实归属类别，每一行的数据
f总数表示该类别的实例的数目。
图122混淆矩阵图
阳性（P，Positive）：阴性（N，Negative）：真阳性（TP，TruePositive）：正确的肯定，又称“命中”（Hit）；被模型预测为正类的正样本。真阴性（TN，TrueNegative）：正确的否定，又称“正确拒绝”（correctrejectio
），被模型预测为负类的负样本。伪阳性（FP，falsePositive）：错误的肯定，又称“假警报”（falsealarm）；被模型预测为负类的正样本。伪阴性（FN，falseNegative）：错误的否定，又称“未命中”（miss）；被模型预测为正类的负样本。灵敏度（Se
sitivity）或真阳性率（TPR，TureNegativeRate）：又称“召回率”（recall）、命中率（HitRate）。在阳性值中实际被预测正确所占的比例。TPRTPPTPTPFN
f伪阳性率（FPR，falsepositiverate）：又称“假正类率”、“错误命中率”、“假警报率”。FPRFPFPTN特异度（SPC，Specificity）或真阴性率：在阴性值中实际被预测正确所占的比例。SPCTNNTNFPTN1FPR假发现率FDRfalsediscoveryrate：FDRFPFPTP1TPR准确度（ACC）：预测正确的数占样本数的比例。ACCTPTNPN阳性预测值PPVpositivepredictivevalue或r