简介：scikit-learn 与模型评估

概述

本章通过逻辑回归和线性回归的简单用例，介绍 scikit-learn 在模型训练和预测中的核心功能。我们将演示二分类模型的评估指标，包括真正率与假正率、混淆矩阵、受试者工作特征（ROC）曲线以及精确率-召回率曲线，这些内容既会从零实现，也会使用 scikit-learn 提供的便捷功能完成。学完本章后，你将能够使用 scikit-learn 构建并评估二分类模型。

开始使用 scikit-learn

在本章中，我们将通过分析响应变量来完成对数据的探索。在确认数据质量良好且符合逻辑之后，便可进入机器学习模型的开发阶段。我们将首次接触 scikit-learn —— Python 语言中最流行的机器学习工具包之一，并开始熟悉其数学模型的使用语法。

模型评估技术

我们还将学习一些常见的方法来回答一个问题：“这个模型好不好？” 模型评估有多种可能的途径。

对于商业应用而言，通过财务分析来评估模型可能带来的价值，是理解工作潜在影响的重要方式。通常最好在项目初期就明确其商业价值。但由于本课程的重点在于机器学习和预测建模，因此财务分析的内容将在最后一章中进行演示。

以下是数据科学和机器学习领域公认的一些重要模型评估标准。本章也将涵盖其中最常用的几种分类模型性能度量指标。