在Scikit-learn中，可以使用metrics模块中的各种函数来实现模型评估指标。常用的模型评估指标包括准确率（accuracy）、精确率（precision）、召回率（recall）、F1值、ROC曲线和AUC等。
以下是一些常用的模型评估指标函数：
准确率（accuracy）：accuracy_score(y_true, y_pred)精确率（precision）：precision_score(y_true, y_pred)召回率（recall）：recall_score(y_true, y_pred)F1值（F1 score）：f1_score(y_true, y_pred)ROC曲线和AUC值：roc_curve(y_true, y_score), roc_auc_score(y_true, y_score)其中，y_true为真实标签，y_pred为预测标签，y_score为决策函数或概率预测值。
示例代码：
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score, roc_curve, roc_auc_score# 计算准确率accuracy = accuracy_score(y_true, y_pred)# 计算精确率precision = precision_score(y_true, y_pred)# 计算召回率recall = recall_score(y_true, y_pred)# 计算F1值f1 = f1_score(y_true, y_pred)# 计算ROC曲线和AUC值fpr, tpr, thresholds = roc_curve(y_true, y_score)auc = roc_auc_score(y_true, y_score)通过这些函数，可以方便地对模型进行评估，并选择最合适的评估指标来评价模型的性能。
