机器学习算法概率类模型的评估指标

在机器学习领域中，概率类模型是一类常用的算法，用于处理分类和回归问题。当我们使用概率类模型时，评估模型的性能是非常重要的。本文将介绍几个常用的概率类模型评估指标，并提供相应的源代码实现。

1. 准确率（Accuracy）：
   准确率是最常用的模型评估指标之一，它表示分类正确的样本数占总样本数的比例。准确率的计算公式如下：

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

其中，TP（True Positive）表示真正例的数量，TN（True Negative）表示真负例的数量，FP（False Positive）表示假正例的数量，FN（False Negative）表示假负例的数量。下面是一个计算准确率的示例代码：

from sklearn.metrics import accuracy_score

y_true &#