如果你看了前面几篇博客，我们说了决策树，说了adaboost，这次我们说下模型训练和衡量模型的好坏
其实我们已经训练了模型了，例如决策树的生成时模型训练，adaboost的实现也是模型训练的过程，所以我们已经训练了好几个模型，只是那个具体的模型，并且我们没有把模型保存下来
可能觉得自己不是在训练模型。
模型训练的输出是模型，什么是模型呢？
我们生成的决策树是模型，adaboost的那几条加权直线也是模型。
模型里面是什么？
模型里面是一系列的判断或者计算，对于任何一个预测数据，通过模型最终得到一个预测值。
如何衡量模型的好坏？我们着重讨论这个问题，下面我们就二分类问题讨论模型好坏的衡量
精度和召回率
大的矩形是正负样本组成的训练集，右边的半矩形是正样本，左边的半矩形是负样本，中间的圆圈是预测为正的样本，那么精度precision和召回率recall的计算方法如右图所示
精度描述的是预测为正的结果里面真正正样本的比例，召回率描述的是：正样本里面被预测为正的比例
准确度
（true positive + true negative）/all：描述的是整个训练集预测正确的比例
那么如何利用这些指标衡量模型的好坏呢？
理想情况下，肯定是希望模型可以预测为正的全部都是正样本，并且全部的正样本都预测为正，精度和召回率都是100%
现实情况是，如果我们提高了精度，让预测为正的都是正样本，很可能就导致很多正样本没有被召回；如果我们提高了召回率，让更多的正样本被预测为正，很可能就会误把一些负样本预测为正，降低了精度。
精度和召回率升高到一定程度时，在一定范围是此起彼伏的关系， 那么如何衡量精度和召回率之间的关系呢？
fbeta
fbeta定义了一个衡量精度和召回率的可调函数，我们可以通过调整beta的值来更倾向于提高精度还是召回率
我们的目标都是希望fbeta值越大越好。
当beta=1时：希望fbeta越大越好的同时，同时提高进度和召回率
当beta<1时：希望在提高fbeta的同时，更多的提高召回率
当beta>1时：希望在提高fbeta的同事，更多的提高精度。
总结，对于二分类问题，我们可以用精度或者召回率来衡量模型的好坏，如果我们想用一个统一的评价，我们可以使用fbeta，还可以设定beta值，更多的提高精度或者召回率。