در دوره‌ی الگوریتم‌های طبقه‌بندی (classification algorithms) با برخی از الگوریتم‌های اصلی در طبقه‌بندی داده‌ها آشنا شدیم. مفهمیدیم که این الگوریتم‌ها با یکدیگر تفاوت دارند و به احتمالاً این نکته را متوجه شده‌اید که هر کدام از این الگوریتم‌ها، می‌توانند بر روی برخی از مسائل عملکرد بهینه داشته باشند و ممکن است بر روی مسائل دیگر، خوب عمل نکنند.
یک مثل معروف وجود دارد که می‌گوید «چیزی را نتوانی ارزیابی کنی، نمی‌توانی بهبود دهی». در بحث الگوریتم‌های طبقه‌بندی هم برای این‌که متوجه شویم که آیا الگوریتم ما بر روی داده‌های مسئله خوب جواب داده است یا خیر، بایستی آن را ارزیابی کنیم.
فرض کنیم می‌خواهید یک خودرو را ارزیابی کنید. حتماً می‌دانید که برای ارزیابی یک خودرو به صورت کامل، بایستی آن را از منظرهای مختلف توسط افراد متخصص مختلف ارزیابی کرد. برای مثال شخصی موتور اتومبیل را ارزیابی می‌کند و شخص دیگری رنگ اتومبیل را بررسی می‌کند. در داده‌کاوی و یادگیری ماشین نیز روش‌های متعددی برای ارزیابی الگوریتم‌های طبقه‌بندی موجود است که هر کدام از زاویه‌ای خاص الگوریتم را ارزیابی می‌کنند و از یک متخصص علوم دادهع انتظار می‌رود که بتواند به این روش‌ها مسلط شده، تا بتواند یک الگوریتم طبقه‌بندی را به صورت جامع بررسی و ارزیابی نماید.
در این دوره، ما قصد داریم راه و روش‌های مختلف ارزیابی الگوریتم‌های طبقه‌بندی را با هم بررسی کنیم. ترتیب پیشنهادی خواندن دروسِ این دوره، به صورت زیر است: