sklearn.metrics 模块提供了多种回归和分类模型的评估方法：
分类模型评估方法： 分类准确率：计算所有预测正确的样本比例，衡量分类器的整体性能。 混淆矩阵：直观展示分类结果与实际结果间的对比，帮助分析分类错误的类型。 ROC曲线：展示敏感性与特异性之间的关系，通过AUC值衡量分类器性能。 召回率：衡量分类器识别出的正例占所有实际正例的比例。 精确度：衡量分类器识别出的正例中，实际为正例的比例。
回归模型评估方法： 解释性方差分数：衡量模型解释的方差比例，反映模型对目标变量波动的解释能力。 平均绝对误差：从绝对角度评估预测误差，对异常值不敏感。 均方误差：从平方角度评估预测误差，对异常值较敏感。 R方：通过计算被解释方差与总方差的比值来评估模型的拟合度，值越接近1表示模型拟合越好。
在进行模型评估时，应根据具体应用场景和评估需求选择合适的评估方法，综合考虑多种指标以更全面地评估模型的性能。