机器学习中常用的评价指标包括准确率（Accuracy）、敏感性（Sensitivity）、特异性（Specificity）、阳性预测值（Positive Predictive Value，PPV）、阴性预测值（Negative Predictive Value，NPV）、假阳率（False Positive Rate，FPR）和假阴率（False Negative Rate，FNR）。

准确率是指分类模型正确预测的样本数占总样本数的比例，其计算公式为：(TP + TN) / (TP + TN + FP + FN)，其中TP表示真正例，TN表示真反例，FP表示假正例，FN表示假反例。准确率越高，说明模型的整体性能越好。

敏感性也称为召回率或真正率，是指分类模型正确预测为正例的样本数占所有正例样本数的比例，其计算公式为：TP / (TP + FN)。敏感性越高，说明模型在正例样本上的识别能力越强。

特异性是指分类模型正确预测为反例的样本数占所有反例样本数的比例，其计算公式为：TN / (TN + FP)。特异性越高，说明模型在反例样本上的识别能力越强。

阳性预测值是指分类模型预测为正例的样本中真正为正例的比例，其计算公式为：TP / (TP + FP)。阳性预测值越高，说明模型预测为正例的样本越可靠。

阴性预测值是指分类模型预测为反例的样本中真正为反例的比例，其计算公式为：TN / (TN + FN)。阴性预测值越高，说明模型预测为反例的样本越可靠。

假阳率是指分类模型错误地将正例预测为反例的比例，其计算公式为：FP / (FP + TP)。假阳率越高，说明模型误判正例为反例的概率越大。

假阴率是指分类器错误地将反例预测为正例的比例，其计算公式为：FN / (FN + TN)。假阴率越高，说明模型误判反例为正例的概率越大。

这些评价指标可以用于评估分类模型的性能，从而选择最优的模型进行后续任务。