如何评估一个分类模型的性能，常见的评估指标有哪些？

答题要点

评估一个分类模型的性能是数据分析师的重要工作，常见的评估指标包括准确率、精确率、召回率、F1 值和 ROC - AUC 曲线。准确率是指模型预测正确的样本数占总样本数的比例，它能直观地反映模型的整体预测能力。但在数据不平衡的情况下，准确率可能会产生误导。精确率是指预测为正类的样本中实际为正类的比例，它衡量了模型预测正类的准确性。召回率则是指实际为正类的样本中被模型正确预测为正类的比例，反映了模型对正类样本的捕捉能力。F1 值是精确率和召回率的调和平均数，综合考虑了精确率和召回率，在两者之间取得平衡。ROC - AUC 曲线（受试者工作特征曲线下的面积）用于衡量模型的分类能力，AUC 值越接近 1，说明模型的性能越好。在实际应用中，需要根据具体的业务场景选择合适的评估指标，例如在疾病诊断中，召回率可能更为重要。