分类模型评价方法的内容包括常见的二分类模型分类效果评价方法，包括绝对指标、相对指标、通用指标，衍生于多分类模型的处理和验证，最后鸢尾三分类模型的实例附有基于OVO和OVR的其他分类模型代码；
一、什么是分类模型？ 分类模型是一种监控学习，需要样本支持建立模型，其输入可以是连续性的，也可以是离散型变量，输出是预先限定的离散分类标签，在实际应用中根据分类标签的种类分为二分类和多分类问题。
回归算法的策略函数大多均方差最小，分类算法的策略函数比较多样，纯线性代数级均方差最小，还有纯概率级优化函数。 回归函数模型的目的是得到最佳拟合曲线，回归算法是得到一个决策面并最大限度地分割数据，其输出是序列离散值，在常规建模过程中将问题归结为回归问题后，利用映射函数将其转换为分类问题
常见的分类算法包括逻辑回归、决策树、向量机、贝叶斯、k最近邻、神经网络、复合算法还有与RF、LGB、GBDT和XGboost相对应的分类算法；
二、分类模型评价的绝对指标： Confusion Matrix (二分类模型最终需要判断样本结果是1还是0，还是positive还是negative )。 我们通过采集样本，可以直接知道实际上哪个数据的结果是positive，哪个结果是negative。 同时，我们利用样本数据分析了分类模型的