机器学习模型的评估指标

在机器学习领域，为了评估和比较不同的模型性能，我们需要使用一些评估标准。这些评估标准能够衡量模型的准确性、鲁棒性和泛化能力。本文将介绍几种常见的机器学习模型评估标准，并提供相应的源代码示例。

一、准确率（Accuracy）
准确率是最常用的模型评估指标之一，它衡量了模型在预测中正确分类的样本占总样本的比例。准确率计算公式如下：

Accuracy = (TP + TN) / (TP + TN + FP + FN)

其中，TP表示真正例（True Positive），表示模型正确判断为正例的样本数量；TN表示真负例（True Negative），表示模型正确判断为负例的样本数量；FP表示假正例（False Positive），表示模型错误地将负例判断为正例的样本数量；FN表示假负例（False Negative），表示模型错误地将正例判断为负例的样本数量。

以下是一个计算准确率的Python代码示例：

def accuracy(y_true, y_pred):
    correct =