因为在实践中经常会遇到不平衡数据集的分类问题，所以在我的译文应对不平衡数据集分类问题的八种策略中，一种策略是改变衡量模型性能的计算方法。 那么，如何衡量模型的分类性能呢？
有ROC曲线，有模糊矩阵，有相应的实例
ROC曲线横轴为假阳性(样本为负，预测为正)，纵轴为真阳性)，预测为正)，按可能的分类阈值统计假阳性、真阳性，阈值越大曲线越接近(0，0 )点，阈值越小曲线(1，0 )。 AUC值：根据ROC曲线面积决定分类器性能的好坏，AUC面积越大分类性能越好
普通ROC曲线用于表示二分类器的性能； 对于多分类ROC曲线，采用“one versus all”，假设有三个类别，第一条ROC曲线确定某个类别为正，其他所有类别为负，第二条三ROC曲线。 此时的阈值选择与商务决策、minimizeyourfalsepositiverateor相似