python模型评估support

向量机

支持向量机（SVM）是一种基于学习理论的非参数分类器，它的目标是找到一个最优的决策边界，使得训练数据尽可能地被正确地分类，并且具有最大的间隔，从而能够更好地泛化到新的数据上。

SVM的模型评估方法主要包括以下几种：

1. 交叉验证（Cross Validation）：通过将数据集分为K个子集，每次将其中一个子集作为验证集，其他K-1个子集作为训练集，重复K次，得到K个模型的评估结果的平均值作为最终评估结果。

2. 留一法交叉验证（Leave-One-Out Cross Validation）：将每个样本都单独作为验证集，其余样本作为训练集，重复N次，得到N个模型的评估结果的平均值作为最终评估结果。

3. 自助法（Bootstrap）：从原始数据集中有放回地抽取m个样本，作为训练集，其余样本作为验证集，重复N次，得到N个模型的评估结果的平均值作为最终评估结果。

4. 留出法（Hold-Out）：将原始数据集分为训练集和验证集两部分，训练集用于训练模型，验证集用于评估模型的性能。

5. F1值（F1 Score）：综合考虑了模型的精度和召回率，是衡量分类器性能的重要指标之一。

6. ROC曲线（Receiver Operating Characteristic Curve）：通过绘制不同阈值下的真正例率（True Positive Rate）和假正例率（False Positive Rate）之间的关系，来评估分类器的性能。

7. AUC（Area Under Curve）：ROC曲线下的面积，可以用来比较不同分类器的性能，其值越接近1，说明分类器的性能越好。