Machine learning 确定模型的准确性，该模型估计其中一类的概率

我正在为一个事件建模，它有两个结果：0（拒绝）和1（接受）。我创建了一个模型，用于估计1（接受）发生的概率（即，该模型将计算“1”发生的概率为80%，或者换句话说，接受概率为0.8）

现在，我有大量的试验结果记录和模型的估计值（例如：接受概率=0.8和实际等级（接受度=1））。我想量化或验证模型的准确性。这可能吗？如果可能，如何实现

---

注：我只是预测1类的概率。假设类1的预测值为0.8，实际类值为1。现在我想找到我的模型的性能

您只需将概率转换为具有阈值舍入的两个离散类之一，即，如果p（y=1 | x）>0.5：预测1，否则预测0。那么所有的指标都是适用的。阈值可以通过检查ROC曲线和/或精度回忆变化来选择，也可以简单地设置为0.5。

通过预测对对象进行排序

---

然后计算结果曲线的ROC AUC。

准确度、精密度、召回率、AUC、二进制交叉熵、MSE、MAE等都是您可以使用的指标，但AUC需要二进制输出，因此我们可以创建混淆矩阵，然后进行绘图。但在我的情况下，我无法创建混淆矩阵。我正在预测第1类（接受）的概率，我需要将其与第1类进行比较。有什么想法吗？AUC既不需要二进制输出，也不需要混淆矩阵。它需要每个对象的分数，用于对对象进行排序。您只需要一个二进制引用进行计算。