有一些特殊的例子，他的样本比较小
例如 有一种罕见病并且只有0.5%的患者环游该疾病
我们进行训练一个模型达到95%的准确率，
另一额模型我们我们瞬步输出患者健康，不是这个病，那么这个模型就有99.5%的准确率
如果我们仅仅只看这两个数字我们的就会选择错误的算法，所以引入一个判断算法性能的方式
就是混淆矩阵
其中横轴代表真是类别
纵轴表示预测类别
这样我们就得到了四个象限
左上角 ，真是患病，预测也是患病 所以我们交真阳性
右上角 没有患病，我们预测患病 叫 假阳性
左下角 真实患病，预测没有患病 叫 假阴性
右下角 没有患病 预测没有患病，叫真阴性
分成了四个单元格之后，我们会对齐进行两个常见的指标
分别是
精确度: 再预测为阳性中模型预测阳性是否可信，预测为阳性且实际为阳性的 / 预测为阳性的
召回率：我在所有阳性中有多少阳性抓到了，预测为阳性且实际为阳性的 / 实际为阳性的
准确率：模型预测对了多少，榆次额对的（真阴性+真阳性）/ 所有样本
精确度:返回的结果中（只返回想要的）正确的有多少
召回率：有多少个该返回的没返回
精确度:模型做对了多少
精确率和召回率在某种程度上呈现此消彼长的情况
还有一个F1值
F1是精确率和召回率的调和平均 反应了整体的情况
但是什么指标最重要，要看具体情况
F1是综合的评判
例如在医疗领域我们希望不要漏掉任何一个患者
所以这个时候召回率就相当的重要。
