score怎么评估模型python

模型评估是在机器学习模型开发中非常重要的一步。在 Python 中，有很多方法可以评估模型的性能，以下是一些常用的方法：

1. 准确率（Accuracy）：准确率是最基本的评估指标，它表示分类正确的样本数占总样本数的比例。在 scikit-learn 中，可以使用 accuracy_score 方法计算准确率。

2. 精确率（Precision）：精确率是指预测为正例的样本中，真正为正例的样本数占预测为正例的样本数的比例。在 scikit-learn 中，可以使用 precision_score 方法计算精确率。

3. 召回率（Recall）：召回率是指真正为正例的样本中，被预测为正例的样本数占真正为正例的样本数的比例。在 scikit-learn 中，可以使用 recall_score 方法计算召回率。

4. F1 值（F1-score）：F1 值是精确率和召回率的调和平均数。在 scikit-learn 中，可以使用 f1_score 方法计算 F1 值。

5. ROC 曲线：ROC 曲线是二分类模型中常用的评估方法之一，可以绘制真正例率（True Positive Rate）和假正例率（False Positive Rate）的曲线。在 scikit-learn 中，可以使用 roc_curve 方法计算 ROC 曲线。

6. AUC 值：AUC（Area Under Curve）是 ROC 曲线下的面积，是评估二分类模型性能的常用指标。在 scikit-learn 中，可以使用 roc_auc_score 方法计算 AUC 值。

以上是常用的一些模型评估方法，你可以根据具体情况选择适合你的方法进行模型评估。