1、评估指标

	预测值
		0	1
实际	0	TN	FP
	1	FN	TP

• $accuracy = \frac{TN+TP}{TN+TP+FP+FN}$accuracy=TN+TP+FP+FNTN+TP​
• $precision= \frac{TP}{TP+FP}$precision=TP+FPTP​
• $recall= \frac{TP}{TP+FN}$recall=TP+FNTP​
• $F1= \frac{2*(pre+rec)}{pre+rec}$F1=pre+rec2∗(pre+rec)​
• ROC曲线：$X轴：FPR=\frac{FP}{FP+TN}；Y轴：TPR=\frac{TP}{TP+FN}$X轴：FPR=FP+TNFP​；Y轴：TPR=TP+FNTP​

2、偏差与方差（过拟合与欠拟合）

$Error=Bias+Variance$Error=Bias+Variance

• $Error$Error：整个模型的准确度
• $Bias$Bias：模型在样本上的输出与真实值之间的误差（即模型本身的精度）
• $Variance$Variance：每次输出结果与模型输出期望之间的误差（即模型的稳定性）
  

3、正则化（解决过拟合）

• L1正则化产生稀疏特征
• L2产生更多特征但都会接近于0

4、梯度下降算法（算法优化方式）

5、数据不平衡