我们需要评估机器学习算法在业务上的表现，评估算法是任何人工智能项目的重要组成部分，选择用于评估机器学习或深度学习模型的指标非常重要，指标的选择会影响人工智能算法性能的测量和比较方式，对于人工智能典型的分类系统，一般包括下述一些关键指标：

分类准确率 - 一般简称准确率，是正确预测的比例。这个指标通常不是模型性能的一个很好的指标。例如，在欺诈检测服务的欺诈交易中，只有很少0.2% 的情况下，考虑到欺诈交易的比例很小，通常可以通过简单地将所有交易归类为非欺诈性交易来获得非常高的准确度，这违背了识别欺诈交易的目的。

对数损失 - 也称为对数损失，它通过惩罚不正确的分类来量化分类器（分类算法）的准确性。它在有两个以上类的设置中特别有用，也称为多类分类。对数损失可以取的最小值为零 (0)，在这种情况下，分类器是完美的，通常，接近零的值表示精度高，而远离零的值表示精度差。

混淆矩阵 - 通常称为误差矩阵，混淆矩阵本身不是评估指标，而是一种方便的表格结构，用于捕获和可视化分类模型的性能。此外，它是下面讨论的其他指标的基础。使用前面介绍的欺诈检测问题，让我们假设我们有一个分类器，它将30,000个我们知道真实标签的交易作为输入。该分类的工作是从样品或者标记每个交易欺诈性或无欺诈行为。我们可以使用混淆矩阵将分类器的性能与真实标签进行比较。

曲线下面积 (AUC) - 曲线下面积从0到1，曲线下的面积用于评估二元分类器区分正面和负面观察的能力。AUC 越高，模型在将负面观察分类为负面并将正面观察分类为正面方面的效果越好。