简述分类模型性能评价的指标。
（1）分类准确率：指模型正确地预测新的或先前未知的数据的类标号的能力。（影响分类准确率的因素：训练数据集，记录的数目，属性的数目，属性中的信息，测试数据集记录的分布情况）（2）计算复杂度：决定着算法执行的速率和占用的资源，依赖于具体的实现细节和软、硬件环境。（3）可解释性：分类结果只有可解释性好，容易理解，才能更好地用于决策支持。（4）可伸缩性。（5）稳定性：指不会随着数据的变化而发生剧烈变化。（6）强壮性：指数据集含有噪声和空缺值的情况下，分类器正确分类数据的能力。
举一反三
内容
- 0
哪一个不是评价分类器性能的指标？ A: 误判率 B: 鲁棒性 C: 泛化性能 D: 特征变量的相关性
- 1
关于模型评价指标的描述，正确的是哪些？ A: 模型的评价指标中F1值只与准确率（Precision）、查全率(Recall)相关。 B: 模型的评估指标多种多样，可以自定义实现。 C: 在样本不平衡的情况下，一般采用查全率作为评价指标。 D: AUC指标是指ROC曲线下面积，其值越大说明模型性能越好。
- 2
发动机性能评价指标不包括（ ）。
- 3
简述模型的分类
- 4
在监督学习（supervisedlearning）中，训练集用于（） A: 估算模型 B: 模型性能的定量评价 C: 验证模型 D: 模型性能的定性评价