一、评估算法的方式分两种，一种是分类算法的评估，一种是回归算法的评估。为什么要分两种呢，因为分类算法中可以通过准确率、精准率、召回率、混淆矩阵、AUC来评估算法的准确度。但是在预测值的时候是没有办法去获得这个准确值（比如分类对了，那就对了，错了就是错了，可以通过对错来统计准确率），那么回归算法的方式，就通过均方误差来确认算法的准确度。
二、分类算法的评估（以K-近邻算法来说）
knn = KNeighborsClassifier(n_neighbors=5) knn.fit(x_train, y_train) y_predict = knn.predict(x_test) print("预测值：", y_predict) # 5、评估 # 评估 score = knn.score(x_test, y_test) print("准确率：", score)
说明：可以通过predict()函数来预测结果
source()来出来预测准确率（理解为真实预测数据/所有数据）
其中还有其他的值的算法过程，和进准率差不多。
数据： 预测值 0 预测值 1 真实值 0 TN FP 真实值 1 FN TP 精准率（precision）： TP precision = ―――――― TP + FP 召回率（recall）： TP recall = ――――――― TP + FN 模型的稳定性： 2TP 2precision * recall F1 = ――――――――――――― = ――――――――――――――――――― 2TP + FN + FP precision + recall
三、均方误差
from sklearn.metrics import mean_squared_error def mean_squared_error(y_true, y_pred, sample_weight=None, multioutput='uniform_average'): ...
主要参数，y_true,y_pred：真实值，预测值
公式：
1 m _ MSE = ――― ∑(yi - y)^2 m i=1 _ yi：预测值 y：真实值 一定要标准化之前的值
四、统一说明：在分类算法中准确率只是其中的一项，以越接近100%，越准确。回归算法中以MSE（均方误差值越小，越准确）