《Python机器学习基础教程》第7讲：模型评估与改进：让模型更靠谱

当你刚训练了一个机器学习模型，比如用来预测房价或者判断照片里是不是猫。但你怎么知道这个模型到底好不好呢？这就需要模型评估了。而且，如果模型表现不够好，我们还得想办法改进它。

---

1. 模型评估：看看模型到底有多厉害

模型评估就像是给模型打分。我们想知道模型在新数据上的表现怎么样，能不能正确预测结果。最常用的评估指标是准确率（Accuracy），它表示模型预测正确的比例。比如，模型预测了100个样本，其中有97个预测正确，那准确率就是97%。

但准确率并不总是完美的，特别是在数据不平衡的情况下。比如，你想用模型判断一封邮件是不是垃圾邮件，但大部分邮件都不是垃圾邮件。这时候，即使模型什么也不做，直接预测所有邮件都不是垃圾邮件，准确率也会很高，但这显然不是我们想要的结果。

1.1 二分类问题的评估指标

对于二分类问题（比如判断是不是垃圾邮件），我们还有其他几个重要的评估指标：

• 精确率（Precision）：表示模型预测为正的样本中，实际为正的比例。
• 召回率（Recall）：表示所有实际为正的样本中，模型正确预测为正的比例。
• F1分数（F1 Score）