使用Python的sklearn包来统计模型的结果，首先要知道常用来模型的指标有哪些

首先了解最基本的四个指标：TP, TN, FP, FN

• True positives: 简称为TP，即正样本被正确识别为正样本。
• True negatives: 简称为TN，即负样本被正确识别为负样本。
• False Positives: 简称为FP，即负样本被错误识别为正样本。
• False negatives: 简称为FN，即正样本被错误识别为负样本。

通过上述几个最基本的概念得到了一下的一些指标

一、准确率accuracy

预测的标签正确数量占总数量的比例

二、灵敏度sensitivity/recall

灵敏度：表示的是正例中被分对的比例，衡量了分类器对正例的识别能力

三、特异性specifity

特异性：表示的是负例中被分对的比例，衡量了分类器对负例的识别能力

四、精确度precision

精确度：表示被分类为正例中的实际为正例的比例

五、综合指标F-score

F-score：是精确度和灵敏度的一个综合

六、sklearn实现

from sklearn.metrics import accuracy_score
from sklearn.metrics import recall_score
from sklearn.metrics import confusion_matrix
from sklearn.metrics import precision_score
from sklearn.metrics import roc_auc_score
y_true = [0, 0, 0, 1, 1, 1, 1, 1]
y_pred = [0, 1, 0, 1, 0, 1, 0, 1]
tn, fp, fn, tp = confusion_matrix(y_true, y_pred).ravel()
acc = accuracy_score(y_true, y_pred)                        # 1.准确率
recall = recall_score(y_true, y_pred)                        # 2.灵敏度/召回率
specificity = tn / (tn+fp)                                    # 3.特异性
precision = precision_score(y_true, y_pred)                    # 4.精确度
fmeasure = (2 * precision * recall / (precision + recall))    # 5.F-score
roc = roc_auc_score(y_true, y_pred)

补充一个指标：roc，这个roc是曲线，上述的roc_auc_score(y_true, y_pred)是使用roc曲线计算出来的准确率