指定评价指标：scoring有哪些

评价指标（scoring）可能会因评估任务和数据集而异，以下是一些常见的评价指标：

1. 准确率（accuracy）：分类模型中正确分类的样本数与总样本数之比。

2. 精确率（precision）：真正例（true positives）的比率，即模型预测为正例的样本中，实际为正例的样本数与总预测为正例的样本数之比。

3. 召回率（recall）：真正例的比率，即模型正确预测为正例的样本数与实际为正例的样本数之比。

4. F1分数（F1 score）：精确率和召回率的调和平均值。

5. ROC曲线（ROC curve）：真正例率（true positive rate）和假正例率（false positive rate）之间的曲线。

6. AUC（Area Under the Curve）：ROC曲线下的面积，通常用于评估二元分类模型的性能。

7. Mean Squared Error（MSE）：均方误差，用于回归模型的评估指标。

8. Mean Absolute Error（MAE）：平均绝对误差，也用于回归模型的评估指标。