模型評價指標有幾種，面試應該是必考了：準確率、召回率、精準率、F1score、auc。
先引入混淆矩陣，縱軸是預測情況，陰/陽，橫軸是真實標籤，陰/陽
| 預測/真實標籤 | 陰 | 陽 |
| 陰 | TN（真陰）：本來陰，預測陰 | FN（假陰）：本來陽，預測陰 |
| 陽 | FP (假陽)：本來陰，預測陽 |
TP (真陽)：本來陽，預測陽 |
準確率=TP+TN/all 所有樣本中預測正確的比例
召回率=TP/TP+FN ，所有正樣本中預測爲正樣本的比例，又叫查全率
精確率=TP/TP+FP ，預測爲正樣本中真正正樣本的比例，又叫查準率，衡量正樣本的準確率，而準確率既考慮正樣本，又考慮負樣本
精準率和召回率是矛盾的：爲啥呢，舉例，我要提高精準率，那麼提高閾值，原來0.7判定爲正樣本，現在取0.8判定爲正樣本，閾值嚴格了，FP是本來是負樣本，預測爲正樣本了，當閾值提高時，FP會變小，所以精準率會變大；FN是本來正樣本預測爲負樣本，當閾值提高時，FN會變大，所以召回率會降低。
精準率和召回率調和，有了F-score，當alpha=1時，就是F1-score
下面這個弄懂了，從公式來看，當參數beta小於1時，表示精確率比召回率重要，爲啥呢，我們優化模型，指標F越大越好，要提高F-score，分子變大，分母縮小，分子p和r都是一樣的，但分母中，p前面有一個非常小的小數，當壓縮分母變小時，P不需要很小，乘以一個小數就已經很小了。
auc，明天寫哈哈哈