数据挖掘正成为当今最重要的研究领域之一，各类数据挖掘模型的质量检验是挖掘任务的关键。为什么要进行数据挖掘模型的评价？阐述数据挖掘模型评价的重要性，用来确定、比较不同数据挖掘模型的精度，并选择最优模型来解决数据挖掘问题。
传统的数据挖掘模型评价方法主要采用混淆矩阵、互信息和R值三种指标来进行模型预测的结果评价。混淆矩阵测试模型正确预测某一类别的准确率，它可以将正确分类和错误分类用四个数字表示，即真正的例子（TP）、假阳性（FP）、假阴性（FN）和真阴性（TN）。而互信息是衡量不同自变量之间复杂度关系的有效方法，而R值是衡量不同数据挖掘模型的准确率的指标。
随着机器学习的发展，许多新的数据挖掘模型评价方法也应运而生，比如精准率（precision）和召回率（recall）、F1_score和AUC（Receiver Operating Characteristic，ROC）等。精准率和召回率是衡量数据挖掘模型效率的指标，而F1_score是将精准率与召回率的关系以一个值来衡量，最后AUC指标主要用来衡量分类的性能，比如看看一个分类器是否具有良好的性能。
至此，我们可以看到数据挖掘模型评价是一个重要的研究领域，有许多不同类型的数据挖掘模型评价方法可用于不同的数据挖掘问题，从而更有效地选择最优模型来解决相关问题。
