机器学习领域的算法评估有三个基本的指标。

1. 召回率（Recall Rate，也叫查全率）：是检索出的相关文档数和文档库中所有的相关文档数的比率，衡量的是检索系统的查全率。
   召回率=系统检索到的相关文档数/系统所有相关文档的总数
2. 准确率（Precision，也称为精度）：是检索出的相关文档数与检索出的文档总数的比率，衡量的是检索系统的查准率。
   准确率=系统检索到的相关文件/系统所有检索到的文件总数

注意：准确率和召回率是互相影响的，理想情况下肯定是做到二者都高，但是一般情况下，准确率高，召回率就低；反之亦然。

1. F-Score：机器学习中常用的评价标准。其中，最常见的是F1-Measure，公式为：F1=2PR/(P+R)
   文本分类项目的分类结果评估，代码如下：

from sklearn import metricedef metrics_result(actual, predict):      print '精度:{0:.3f}'.format(metrics.precision_score(actual, predict,average='weighted'))      print '召回:{0:0.3f}'.format(metrics.recall_score(actual, predict,average='weighted'))      print 'f1-score:{0:.3f}'.format(metrics.f1_score(actual, predict,average='weighted'))    metrics_result(test_set.label, predicted)

注意：单独运行这个代码会报错，把这一部分加到贝叶斯模型的程序中运行，就可以得到正确的结果。