监督学习

尝试从具有标记的训练数据集中推断出预测函数

无监督学习

尝试在没有标记的数据中找出隐藏的结构

设计预测实验

将数据分成训练集和测试集（建议划分比例为70：30）。然后将测试数据放在一旁，切勿将其用于准备数据模型。仅使用训练数据构建数据模型。将新模型应用于测试数据。使用混淆矩阵或其他质量保证工具评估模型质量。如果模型通过测试，则结束，否则重复以上三个步骤直到模型通过测试。

二元混淆矩阵

真实情况预测结果正例反例正例TP(真正例)FN(假反例)反例FP(假反例)TN(真反例)

准确度（Accuracy）

正确分类项目的比例。

Accuracy=TP+TNTP+TN+FP+FN A c c u r a c y = T P + T N T P + T N + F P + F N

精确度、查准率（Precision）

分类结果中，预测的正例中真正例的比例。当只找出一个正例，并且它是真正例，此时 P=1 P = 1 。

Precesion=TPTP+FP P r e c e s i o n = T P T P + F P

灵敏度、召回率、查全率（Recall）

分类结果中，正例中预测对的真正例的比例。当全都认为是正例时，也把所有的正例找出来了，此时 R=1 R = 1 。

Recall=TPTP+FN R e c a l l = T P T P + F N

特异性

反例中真反例的比例，特异性= TNTN+FP T N T N + F P 。

F1指标（F1 measure）

为了综合考虑召回率与精确率，计算这两个指标的调和平均数，得到F1指标。 之所以使用调和平均数，是因为它除了具备平均功能外，还会对那些召回率和精确率更加接近的模型给予更高的分数。因为那些召回率和精确率差距过大的学习模型1，往往没有足够的实用价值。

F1measure=21Precision+1Recall F 1 m e a s u r e = 2 1 P r e c i s i o n + 1 R e c a l l