学习器的性能度量（机器学习评价指标：Accuracy、Precision、Recall、F1-score）

对模型的泛化性能进行评估，不仅需要有效可行的实验估计方法，还需要有衡量模型泛化能力的评价标准
回归任务中最常用的性能度量是“均方误差”（MSE）
分类任务中的评价标准更为全面，下面着重介绍分类评价任务中的模型性能度量标准

1. 错误率（error_rate）与准确率（accuracy）

(既适用于二分类也适用于多分类任务)
准确率：分类正确的样本数占样本总数的比例

错误率：分类错误的样本数占总样本数的比例

2.精确率（precision）和召回率（recall）

对于二分类问题，可以将样例根据真实类别与预测类i别的组合分为：
真正例（true positive）: 将正类预测为正类
假正例（false positive）：将负类预测为正类（误报）
真反例（true negative）：将负类预测为负类