实现机器学习算法后，我们需要评估模型的有效性，评估标准取决于数据集和评估指标。选择合适的评估指标至关重要，因为它直接决定了模型性能的衡量和对比方式。以下是常用的分类器性能评估指标：

混淆矩阵

混淆矩阵适用于二分类或多分类问题，是衡量分类器性能最直观的方法。它是一个二维表格，两个维度分别为真实标签和预测标签，表格中的核心元素包括：真阳性（TP）、真阴性（TN）、假阳性（FP）、假阴性（FN）。

二分类问题的混淆矩阵结构（1为正类，0为负类）：

预测标签\真实标签	1（正类）	0（负类）
1（正类）	真阳性(TP)	假阳性(FP)
0（负类）	假阴性(FN)	真阴性(TN)

各元素的定义：

• 真阳性（TP）：真实标签为 1，预测标签也为 1；
• 真阴性（TN）：真实标签为 0，预测标签也为 0；
• 假阳性（FP）：真实标签为 0，预测标签为 1（第一类错误）；
• 假阴性（FN）：真实标签为 1，预测标签为 0（第二类错误）。

准确率（Accuracy）

混淆矩阵本身并非性能指标，但几乎所有性能指标都基于它计算。准确率是指模型正确预测的样本数占总样本数的比例，计算公式为：

$$Accuracy = \frac{TP+TN}{TP+FP+FN+TN}$$

精确率（Precision）

精确率主要用于文档检索等场景，指预测为正类的样本中，真实为正类的比例，计算公式为：

$$Precision = \frac{TP}{TP+FP}$$

召回率/灵敏度（Recall/Sensitivity）

召回率（又称灵敏度）指真实为正类的样本中，被模型预测为正类的比例，计算公式为：

$$Recall = \frac{TP}{TP+FN}$$

特异性（Specificity）

特异性与召回率相反，指真实为负类的样本中，被模型预测为负类的比例，计算公式为：

$$Specificity = \frac{TN}{TN+FP}$$