在评估分类模型的性能时，可以使用多种指标，但最常见的三个指标是精度、召回率和F1 分数。
＃＃ 精确：
精度衡量模型做出的积极预测的准确性。它的计算方式为真阳性预测与阳性预测总数（真阳性 + 假阳性）的比率。简而言之，精度回答了这个问题：“在模型预测为阳性的所有项目中，有多少实际上是阳性的？”。高精度意味着当模型预测某事为正时，它通常是正确的。
＃＃ 记起：
召回率衡量模型正确识别所有正面实例的能力。它的计算方式为真阳性预测与实际阳性实例总数（真阳性 + 假阴性）的比率。本质上，召回率回答了这样的问题：“在所有实际的积极项目中，模型正确识别了多少？”。高召回率表明模型可以识别大多数正例。
F1 分数：
F1 分数是精确率和召回率的调和平均值。它提供了一个平衡精确度和召回率的单一分数。当您想要在精确度和召回率之间找到平衡或当类别不平衡时，此分数特别有用。 F1分数范围从0到1，其中较高的值表示更好的性能。
在评估分类模型时，一起考虑这些指标非常重要。例如，具有高精确度但低召回率的模型在做出积极预测时可能过于谨慎，而具有高召回率但低精确度的模型在预测积极方面可能过于自由。 F1 分数有助于在这两个指标之间取得平衡。
此外，根据具体问题和要求，其他指标，如准确性、特异性、ROC 曲线（接收者工作特征曲线）和 AUC（ROC 曲线下面积）对于评估模型的性能也可能很有价值。
