分类算法评价指标
1. 准确率/召回率/f1分数 2. Auc(一般用于二分类) 3. kappa系数(一般用于多分类） 3.1 简单kappa（simple kappa） Kappa系数用于一致性检验，代表着分类与完全随机的分类产生错误减少的比例，kappa系数的计算是基于混淆矩阵的。 kappa计算结果为-1~1，但通常kappa是落在 0~1 间。实践证明，它是一个描述一致性的较为理想的指标。 第一种分析准则： kappa=1 两次判断完全一致 kappa>=0.75 比较满意的一致程度 kappa<0.4 不够理想的一致程度 第二种分析准则： 0.0~0.20极低的一致性(slight) 0.21~0.40一般的一致性(fair) 0.41~0.60 中等的一致性(moderate) 0.61~0.80 高度的一致性(substantial) 0.81~1几乎完全一致(almost perfect) 3.2 加权kappa（weighted kappa） 加权kappa分为linear weighted kappa 和 quadratic weighted kappa。 不同加权kappa系数的选择取决于数据集中不同class之间差异的意义。 例如对于眼底图像识别的数据，class=0为健康，class=4为疾病晚期非常严重，所以对于把class