1.准确率

准确率是指在分类中，用模型对测试集进行分类，分类正确的样本数占总数的比例：

$accuracy=\frac {n_{correct}}{n_{total}} $

sklearny库中提供了一个专门对模型进行评估的包metrics，该包可以满足一般的模型评估需求。其中提供了准确率计算函数，函数原型为sklearn.metrics.accuracy_score(y_true,y_pred,normalize=True,sample_weight=None)。其中，normalize默认值为True，返回正确分类的比例，如果设为False，则返回正确分类的样本数。

2.混淆矩阵

混淆矩阵是对分类的结果进行详细描述的矩阵，对于二分类则是一个2×2的矩阵，对于n分类则是n×n的矩阵。

假设一批数据样本，对太的标签值为0和1，其中1表示正样本，0表示负样本，经过测试后，标签为1且预测为正样本的数量为2742，标签为1但预测为负样本的数量为20129；标签为0且预测为负样本的数量为216066，标签为0但预测为正样本的数量为13649。

这批数据的分类结果建立混淆矩阵，准确率：

$accuracy= \frac {TP+FN}{TP+FP+FN+TN}= \frac {216066+2742}{216066+20129+13649+2742}$

1）真正率TPR：分类正确的正样本个数占整个正样本个数的比例：