如果你看了前面幾篇博客，我們說了決策樹，說了adaboost，這次我們說下模型訓練和衡量模型的好壞
其實我們已經訓練了模型了，例如決策樹的生成時模型訓練，adaboost的實現也是模型訓練的過程，所以我們已經訓練了好幾個模型，只是那個具體的模型，並且我們沒有把模型保存下來
可能覺得自己不是在訓練模型。
模型訓練的輸出是模型，什么是模型呢？
我們生成的決策樹是模型，adaboost的那幾條加權直線也是模型。
模型里面是什么？
模型里面是一系列的判斷或者計算，對於任何一個預測數據，通過模型最終得到一個預測值。
如何衡量模型的好壞？我們着重討論這個問題，下面我們就二分類問題討論模型好壞的衡量
精度和召回率
大的矩形是正負樣本組成的訓練集，右邊的半矩形是正樣本，左邊的半矩形是負樣本，中間的圓圈是預測為正的樣本，那么精度precision和召回率recall的計算方法如右圖所示
精度描述的是預測為正的結果里面真正正樣本的比例，召回率描述的是：正樣本里面被預測為正的比例
准確度
（true positive + true negative）/all：描述的是整個訓練集預測正確的比例
那么如何利用這些指標衡量模型的好壞呢？
理想情況下，肯定是希望模型可以預測為正的全部都是正樣本，並且全部的正樣本都預測為正，精度和召回率都是100%
現實情況是，如果我們提高了精度，讓預測為正的都是正樣本，很可能就導致很多正樣本沒有被召回；如果我們提高了召回率，讓更多的正樣本被預測為正，很可能就會誤把一些負樣本預測為正，降低了精度。
精度和召回率升高到一定程度時，在一定范圍是此起彼伏的關系， 那么如何衡量精度和召回率之間的關系呢？
fbeta
fbeta定義了一個衡量精度和召回率的可調函數，我們可以通過調整beta的值來更傾向於提高精度還是召回率
我們的目標都是希望fbeta值越大越好。
當beta=1時：希望fbeta越大越好的同時，同時提高進度和召回率
當beta<1時：希望在提高fbeta的同時，更多的提高召回率
當beta>1時：希望在提高fbeta的同事，更多的提高精度。
總結，對於二分類問題，我們可以用精度或者召回率來衡量模型的好壞，如果我們想用一個統一的評價，我們可以使用fbeta，還可以設定beta值，更多的提高精度或者召回率。