除了准确率统计，分类模型的性能还可以通过预期 从模型准确性到预期 利润来衡量。利润以分类的最终目标定义的具体单位来衡量。
当我们在实践中使用分类结果时，我们会为每个预测类别分配不同的处理方式：逮捕犯罪乘客，放行无威胁的乘客。不向有风险的客户提供信贷，而向信誉良好的客户提供信贷！等等。最理想的分类结果会产生利润，例如机场的安全，或信贷机构赚到的钱。我们用预定义的单位来衡量这种利润，例如没有恐怖警报的天数或欧元。
最不理想的结果会带
来成本——机场的恐怖警报或银行的金钱损失——我们用 WhatsApp 号码数据 与利润相同的单位来衡量成本。
在这里，我们评估预测信贷申请人信誉的分类模型 首次可以购买多少产品？ 的准确性和预期利润。在信用评分应用中，预测个人客户行为会对利润（或损失）产生影响。拒绝良好信贷可能导致利润率损失（商业风险）。批准高风险申请人的信贷可能会导致坏账（信用风险）。
优化分类阈值
分类模型会预测数据中每个事件的正类得分。默认情况下，如果事件 往 印度手机号码 任何 的得分高于 0.5，则将其分配给正类，否则分配给负类。如果我们更改分类阈值，我们会将分配更改为正类和负类。因此，准确度和预期利润的值也会发生变化。
数据
在这个例子中，我们使用众所周知的 德国信用数据集，取自 加州大学机器学习和智能系统档案。