在Scikit-learn中，可以使用metrics模塊中的各種函數來實現模型評估指標。常用的模型評估指標包括準確率（accuracy）、精確率（precision）、召回率（recall）、F1值、ROC曲線和AUC等。
以下是一些常用的模型評估指標函數：
accuracy_score(y_true, y_pred)precision_score(y_true, y_pred)recall_score(y_true, y_pred)f1_score(y_true, y_pred)roc_curve(y_true, y_score), roc_auc_score(y_true, y_score)其中，y_true為真實標簽，y_pred為預測標簽，y_score為決策函數或概率預測值。
示例代碼：
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score, roc_curve, roc_auc_score
# 計算準確率
accuracy = accuracy_score(y_true, y_pred)
# 計算精確率
precision = precision_score(y_true, y_pred)
# 計算召回率
recall = recall_score(y_true, y_pred)
# 計算F1值
f1 = f1_score(y_true, y_pred)
# 計算ROC曲線和AUC值
fpr, tpr, thresholds = roc_curve(y_true, y_score)
auc = roc_auc_score(y_true, y_score)
通過這些函數，可以方便地對模型進行評估，并選擇最合適的評估指標來評價模型的性能。
