使用分类模型后，分类矩阵如下表所示，则该模型的准确度是（） （注意：为判分的准确性，答案表示成分数即可，并且不要约分，例如：5/20不能写成1/4） 预测 （实际0) （实际1) 0 210 55 1 65 170

使用分类模型后，分类矩阵如下表所示，则该模型的准确度是（） （注意：为判分的准确性，答案表示成分数即可，并且不要约分，例如：5/20不能写成1/4） 预测 （实际0) 1（实际1) 0 215 58 1 67 170

使用分类模型后，分类矩阵如下表所示，则该模型的准确度是（） （注意：为判分的准确性，答案表示成分数即可，并且不要约分，例如：5/20不能写成1/4） 预测 （实际0) （实际1) 0 210 55 1 65 170

使用分类模型后，分类矩阵如下表所示，则该模型的准确度是（） （注意：为判分的准确性，答案表示成分数即可，并且不要约分，例如：5/20不能写成1/4） 预测 （实际0) （实际1) 0 210 55 1 65 170

使用分类模型后，分类矩阵如下表所示，则该模型的准确度是（） （注意：为判分的准确性，答案表示成分数即可，并且不要约分，例如：5/20不能写成1/4） 预测 （实际0) （实际1) 0 210 55 1 65 170

关于模型的评价，以下说法中不正确的是：

假设测试数据集中共计有70个正类样本，30个负类样本。且某次分类结果如下表所示（表中各项的含义如表下方的注释所示）。则分类的精确率是 （要求：用小数表示，且保留小数点后两位）？ 实 际 类 别 预测类别 正例 负例 总计 正例 TP=40 FN=30 P（实际为正例)=70 负例 FP=10 TN=20 N（实际为负例)=30 表中数据项的含义： True positives（TP): 被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数（样本数）； False negatives（FN):被错误地划分为负例的个数，即实际为正例但被分类器划分为负例的实例数； False positives（FP): 被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的实例数； True negatives（TN): 被正确地划分为负例的个数，即实际为负例且被分类器划分为负例的实例数。