1.线性相关系数(皮尔逊相关系数）（用于描述两个变量之间相关性的强弱，系数越大相关性越强）
rxy=∑(xi-x-)(yi-y-)÷√∑(xi-x-)2(yi-y-)2
一般判别效力为：
无相关←0.2←弱→0.4←中→0.6←强→0.8←极强→1
2.决定系数（用于描述非线性或两个以上自变量的相关关系，也可用于评价模型效果）
(R2对变量进行线性回归后，评价拟合优度，越大越好，如R2=0.8，则表明x对y的影响占比80%以上）
总平方和 SST=∑i=1(yi-y-)2
回归平方和 SSR=∑i=1(yˆ-y-)2
残差平方和 SSE=∑i=1(yi-yˆ)2 衡量回归线与各点之间的距离，越小越好
三者关系为 SST=SSR+SSE
决定系数 R2=SSR/SST=1-SSE/SST
3.混淆矩阵（用于二分类问题模型评估）
一级指标
二级指标
准确率 ACC(A)=TP+TN / TP+FP+FN+TN 在所有预测结果中，预测对了的占比
精确度 PPV(P)=TP/(TP+FP) 在预测为 1 的所有结果中，预测对了的占比
灵敏度 TPR(R)=TP/(TP+FN) 在真实为1 的所有结果中，预测对了的占比
FPR(F)=FP/(FP+TN) 在真实为 0 的所有结果中，预测为1的占比
特异度 TNR(S)=TN/(FP+TN) 在真实为 0 的所有结果中，预测对了的占比
三级指标
调和平均 F1score(F1)=(2×P×R)÷(P+R) 介于0---1 之间，越大越好
4.ROC曲线&AUC面积（对模型整体效力做评估）
其中 红线=ROC曲线
蓝线表示x=y(表示模型没有判别效力）
红线以下面积=AUC面积
x=1-特异度
y=灵敏度（召回率）
解释为 当特异度等于x时，灵敏度=y
注：好的ROC曲线应该一开始就快速上升之后保持平行前进
如果ROC曲线在蓝线附近徘徊，表明模型没有判别效力，因为二分类问题，瞎猜正确率也是50%。
一般AUC 面积大于0.7模型才可用，在0.5左右表示模型没有判别作用
5.KS 曲线（用于判别模型的最优划分概率，只看最大的一个）
参考混淆矩阵
其中：
红线=TPR 蓝线=FPR 绿线 = Ks曲线
TPR与FPR之间的差值就是Ks值
Ks值=|TPR-FPR|*100
一般判别效力为：
0←无→20←能用→40←较好→60←记号→75←过拟合模型有问题→100
6.轮廓系数（第二个用于聚类模型有效性判断的方法，第一个是SSE)
几个概念：
1.凝聚度：一个小簇里面的SSE
2.分离度：各个簇的质心的距离平方和，也就是任意两个质心的距离和，或者每一个质心到总体质心的平方和，两者相等。
公式 Si=（bi-ai）/ max（ai，bi）
其中：ai=一个簇内一个点到所有点的距离均值
bi=一个点到其他所有簇的所有点的距离均值中最小的一个
Si 介于-1 到 1 之间 越大越好
ai 越接近0越好
7.收益曲线（也是用于寻找最佳阈值）
假设：
判别对一个收益 100
判错一个损失 200
哪个收益最高用哪个