编辑切换为居中
添加图片注释，不超过 140 字（可选）
5 模型评估
5.1 混淆矩阵
编辑切换为居中
添加图片注释，不超过 140 字（可选）
准确率（accuracy）：正确预测的正负例样本与所有样本的壁纸，（A+D）/(A+B+C+D)。
正例覆盖率（sensitivity）：正确预测的正例数在实际正例的比例，D/(B+D)
负例覆盖率（specificity）：正确预测的负例数在实际负例的比例，A/(A+C)
正例命中率（precision）：正确预测的正例数在预测正例数的比例，D/(C+D)
一般前三个越高，模型越理想。
5.2 Roc曲线与auc值
分类错误的正常记录比例=1-specificity,也叫误报率。Roc曲线通过在0-1之间改变创建混淆军阵的临界值，以纵轴敏感度sensitivity与横轴误报率（1-specificity）勾绘的图。auction的值等于曲线下的面积。
编辑
添加图片注释，不超过 140 字（可选）
从AUC判断分类器（预测模型）优劣的标准
AUC = 1，是完美分类器，采用这个预测模型时，存在至少一个阈值能得出完美预测。绝大多数预测的场合，不存在完美分类器。
0.5 < AUC < 1，优于随机猜测。这个分类器（模型）妥善设定阈值的话，能有预测价值。
AUC = 0.5，跟随机猜测一样（例：丢铜板），模型没有预测价值。
AUC < 0.5，比随机猜测还差；但只要总是反预测而行，就优于随机猜测。
总结：AUC值越大，正确率越高
5.3 KS曲线与ks值
Ks曲线：将样本数据，评分由低到高排序，累计坏占比和累计好占比的两条曲线的差，就是ks曲线。其中累计好分布，上凸，累计坏分布时下凹面积，所以ks曲线，是先增加后减少。
Ks越大越好，但过大要考虑过拟合。
