在数据挖掘任务里，针对分类模型的效果，通常采用哪些评估指标来进行性能衡量？请说明这些指标各自的适用场景。

回答思路

1. 【回答框架 1】分类模型评估需从预测正确性、类别平衡性和排序质量等维度展开。核心指标包括准确率、精确率、召回率、F1值、ROC曲线与AUC值。准确率是全部预测中正确预测的比例，适用于类别分布均衡的场景；当类别不平衡时，准确率会失真。
2. 【回答框架 2】精确率衡量预测为正例中真正例的比例，关注误报；召回率衡量实际正例中被正确预测的比例，关注漏报。两者存在此消彼长的权衡，F1值是精确率与召回率的调和平均数，在两者需要平衡时使用。
3. 【回答框架 3】ROC曲线以假正例率为横轴、真正例率为纵轴，反映分类器在不同阈值下的综合性能；AUC值为ROC曲线下面积，取值在0到1之间，越接近1表示模型排序能力越强，对类别不平衡不敏感，适合评估整体排序质量。
4. 【回答框架 4】实际应用中需结合业务目标选择指标：垃圾邮件检测更关注精确率以减少误拦，疾病筛查更关注召回率以减少漏诊；同时可结合混淆矩阵分析各类别错误分布，必要时使用宏平均或微平均处理多分类问题。
5. 【关键点 1】准确率适用于类别均衡场景，不平衡时不可靠。
6. 【关键点 2】精确率与召回率存在权衡，F1值用于平衡两者。
7. 【关键点 3】AUC值基于ROC曲线，对类别不平衡不敏感，反映排序能力。
8. 【关键点 4】指标选择需结合业务场景，如误报与漏报的成本差异。
9. 【易错点 1】不能仅凭准确率评估不平衡数据集上的模型。
10. 【易错点 2】忽略精确率与召回率的权衡，单一指标可能误导结论。
11. 【易错点 3】将AUC值等同于模型绝对准确率，AUC只反映排序质量。