分类模型评估：准确率，精确率，查全率，特异度，F1
计算各种评估指标之前，首先需要计算混肴矩阵：
真正类数(True Positive , TP)：被模型预测为正的正样本。
假正类数(False Positive , FP)：被模型预测为正的负样本。
假负类数(False Negative , FN)：被模型预测为负的正样本。
真负类数(True Negative , TN)：被模型预测为负的负样本。
各指标计算公式如下：
准确率（Accuracy）, ACC=(TP+TN)/N,
精确率/查准率（Precision）, PPV=TP/(TP+FP),
灵敏度/召回率/查全率（Sensitivity/Recall） , TPR=TP/(TP+FN),
特异度（Specificity） , TNR=TN/(FP+TN),
F1=2*Precision*Recall/(Precision+Recall)
例如在titanic_export.csv的数据中，有目标变量的真实值Survived，阈值0.5时预测值Survived_predict 和目标变量为 1 的概率预测值 Survived_1_percentage
| Survived_1_percentage | PassengerId | Survived | Survived_predict |
| 0.146539017 | 1 | 0 | 0 |
| 0.966226989 | 2 | 1 | 1 |
| 0.644612591 | 3 | 1 | 1 |
| 0.970606942 | 4 | 1 | 1 |
| 0.096753954 | 5 | 0 | 0 |
| … | … | … | … |
根据计算公式，对阈值0.5时的预测结果Survived_predict进行评估
| A | B | |
| 1 | =T("D://titanic_export.csv") | |
| 2 | =A1.select(Survived==1 && Survived_predict==1) | |
| 3 | =A1.select(Survived==0 && Survived_predict==1) | |
| 4 | =A1.select(Survived==1 && Survived_predict==0) | |
| 5 | =A1.select(Survived==0 && Survived_predict==0) | |
| 6 | >TP=A2.len(),FP=A3.len(),FN=A4.len(),TN=A5.len(),N=A1.len() | |
| 7 | =(TP+TN)/N | /Accuracy |
| 8 | =TP/(TP+FP) | /Precision |
| 9 | =TP/(TP+FN) | /Sensitivity/Recall |
| 10 | =TN/(FP+TN) | /Specificity |
| 11 | =2*A8*A9/(A8+A9) | /F1 |
A2 被模型预测为正的正样本
A3 被模型预测为正的负样本
A4 被模型预测为负的正样本
A5 被模型预测为负的负样本
A6 计算TP，FP，FN，TN，N
A7 计算准确率Accuracy
A8-A11 同理，根据计算公式计算其他指标
