机器学习算法模型构建过程：
1.获取数据集
2.对数据集进行特征工程处理（如标准化、异常值、缺失值）
3.划分训练集（Training Set）、测试集（Test Set）、验证集（Validation Set）
4.用训练集训练模型
5.用测试集评估模型效果
模型中给定的参数称为“超参”，模型的调参就是指调超参
（训练集相同，超参不同会得到不同的模型）
模型的选择：逻辑回归、决策树
训练集：用于模型的训练
验证集：用来调节超参，选出得分最高的一组超参
测试集：观察模型效果
训练集、验证集、测试集比例：
70:15:15
80:10:10
60:20:20
模型评估指标
混淆矩阵（二分类/n分类）
| 真实Positive | 真实Negative | |
|---|---|---|
| 预测Positive | TP | FP |
| 预测Negative | FN | TN |
1.准确率（Accuracy）：（TP+TN）/（TP+FP+FN+TN）
2.精确率（Precision）：TP/（TP+FP）
3.召回率（Recall）：TP/（TP+FN）
4.F1值（综合考虑精确率和召回率）：2 * Precision * Recall/（Precision+Recall）
5.ROC曲线：（ROC曲线越靠近左上角越好）
纵坐标：TPR=TP/（TP+FN）
横坐标：FPR= FP/（FP+TN）
不同的分类阈值（0到1之间）有不同的混淆矩阵，每个混淆矩阵对应一个点（FPR，TPR），将这些点连成线则形成ROC曲线
ROC曲线与x轴形成的面积表示为AUC值（0到1之间），越大越好（值越大即说明越靠近左上角）
6.PR曲线：（PR曲线越靠近右上角越好）（更关心正类预测结果且样本不平衡的情况下使用）
纵坐标：Precision
横坐标：Recall