Les résultats d’un modèle doivent être interprétées en fonction de ces principales « metrics » ou mesures :

- La précision (accuracy), qui correspond au nombre de classifications correctes sur le nombre total de classifications

- L’aire sous la courbe, ou Area Under the Curve (AUC), qui correspond à la surface sous une courbe traçant le nombre de vrais positifs (Sensibilité) en fonction du nombre de faux positifs (1-Spécificité).

Plus cette courbe remonte dans le coin supérieur gauche, plus grand est cette surface et meilleur est le modèle.

- Une matrice de confusion qui détaille le nombre d'observations dans chaque groupe, telles qu’elles sont réellement et telles qu’elles sont prédites par le modèle.

Enfin, l’ensemble de ces mesures doivent être accompagnées de leur intervalle de confiance.