如何判断机器学习模型的好坏之分类模型
判断机器学习模型的好坏通常通过多种指标和方法，这些方法可以分为模型性能评估、模型稳定性和模型可解释性等方面。
分类模型
混淆矩阵是一个方阵，其中每一行代表实际类别，每一列代表预测类别。通过混淆矩阵，可以详细了解分类模型的错误类型。
| 预测正类 | 预测负类 | |
|---|---|---|
| 实际正类 | TP | FN |
| 实际负类 | FP | TN |
真正类 (True Positive, TP): 模型预测为正类（Positive），实际上也是正类的情况。
假负类 (False Negative, FN): 模型预测为负类（Negative），但实际上是正类的情况。
假正类 (False Positive, FP): 模型预测为正类，但实际上是负类的情况。
真负类 (True Negative, TN): 模型预测为负类，实际上也是负类的情况。
准确率（Accuracy）
准确率是所有预测正确的样本数占总样本数的比例，公式如下：
[ Accuracy =