导入metrics模块下的性能度量准则，评估模型预测性能。

在Python中，可以通过以下方式导入metrics模块：

from sklearn import metrics

然后，可以使用metrics模块中的函数来评估模型预测性能。以下是一些常用的性能度量准则及其使用方法：

1. 精度（Accuracy）：正确预测的样本数除以总样本数。

accuracy = metrics.accuracy_score(y_true, y_pred)

其中，y_true是真实标签，y_pred是模型预测的标签。

2. 精确率（Precision）：真正例（模型预测为正例且真实为正例）的数量除以所有预测为正例的样本数。

precision = metrics.precision_score(y_true, y_pred)

3. 召回率（Recall）：真正例的数量除以所有真实为正例的样本数。

recall = metrics.recall_score(y_true, y_pred)

4. F1值（F1-score）：精确率和召回率的调和平均数。

f1_score = metrics.f1_score(y_true, y_pred)

其中，y_true是真实标签，y_pred是模型预测的标签。

5. ROC曲线和AUC值：ROC曲线反映了不同阈值下真正例率和假正例率之间的关系，AUC值为ROC曲线下的面积。

fpr, tpr, thresholds = metrics.roc_curve(y_true, y_pred_prob)
roc_auc = metrics.auc(fpr, tpr)

其中，y_true是真实标签，y_pred_prob是模型预测的概率值。

6. 回归问题的性能度量准则：均方误差（MSE）、平均绝对误差（MAE）、R平方值。

mse = metrics.mean_squared_error(y_true, y_pred)
mae = metrics.mean_absolute_error(y_true, y_pred)
r2_score = metrics.r2_score(y_true, y_pred)

其中，y_true是真实值，y_pred是模型预测的值。