在数据分析实践中，针对分类模型，有哪些常用指标可用于衡量其预测准确程度？请阐述各指标的含义及适用场景。

回答思路

1. 【回答框架 1】分类模型的准确性评估不能仅依赖准确率，尤其是在类别不平衡时。常用指标包括准确率、精确率、召回率、F1值、ROC-AUC、PR-AUC等。准确率是总体预测正确的比例，但对不平衡数据具有误导性。
2. 【回答框架 2】精确率关注预测为正例的样本中真正例的比例，召回率关注实际正例中被正确预测的比例。F1值是精确率和召回率的调和平均，适用于需要平衡二者的场景。
3. 【回答框架 3】ROC曲线以假正率为横轴、真正率为纵轴，AUC值衡量模型区分正负类的能力，不受阈值影响，但正负类比例变化时AUC可能仍稳定。PR曲线在正样本极少或多类不平衡时更敏感，AUC可补充。
4. 【回答框架 4】评估指标的选择需结合业务目标：如垃圾邮件检测更重精确率，癌症筛查更重召回率。同时，应使用混淆矩阵可视化各类别表现，并考虑交叉验证或独立测试集以评估泛化能力。
5. 【关键点 1】准确率在所有场景中不一定适用，不平衡数据应关注PR或ROC。
6. 【关键点 2】精确率与召回率不可兼得，F1是调和平均。
7. 【关键点 3】ROC-AUC对类别不平衡不敏感，PR-AUC对不平衡更敏感。
8. 【关键点 4】评估指标需结合业务场景选择。
9. 【易错点 1】在类别极度不平衡时，仅用准确率可能高估模型。
10. 【易错点 2】AUC在类别比例变化时可能保持稳定，但模型实际性能可能变化。
11. 【易错点 3】单独使用某个指标可能误导，需结合混淆矩阵和多个指标。