一致性评价，是指对两个或多个相关的变量进行分析，从而衡量其相关性的密切程度。
举例如下：
如何评价两个评委(数据集)的一致性？
皮尔森 Pearson 相关系数；
皮尔森相关系数(Pearson coefficient)的应用背景举例:
用来衡量两个用户之间兴趣的一致性
用来衡量预测值与真实值之间的相关性
既适用于离散的、也适用于连续变量的相关分析
注：pxy 也就是 r 计算的是X和Y变量的相关系数；R^2 是判别系数，用来判别线性回归的拟合程度，即所有自变量作为一个总体，对因变量Y方差的解释程度，取值范围是[0,1]，当线性回归模型只有一个x和y时，那么R = r。
科恩卡帕 Cohen’s kappa 相关系数：
Cohen‘s kappa相关系数也可用于衡量两个评价者之间的一致性。
其特点在于：
pearson相关系数的区别:Cohen‘s kappa 相关系数通常用于离散的分类的一致性评价。
通常被认为比两人之间的简单一致百分比更强壮，因为Cohen‘s kappa考虑到了二人之间的随机一致的可能性。
Cohen‘s Kapps 主要用于两者的评价，如果评价者多于2人时，可以考虑使用 弗莱斯卡帕 Fleiss' kappa
举例说明：
对角线上的a d 情况是符合两评委评价的一致
若k值小于0.4，则一致性不理想，大于0.8则属于理想情况，小于0不相关。
弗莱斯卡帕相关系数 Fleiss' kappa：
Fleiss' kappa 是Cohen‘s kappa 相关系数的”升级版“，用于两者以上的一致性评价。
举例说明：
上图每一行的评价总数和为14，Fleiss' kappa 计算过程如下：
Kappa 系数 k 的计算公式都是相同的，可用于一致性检验，和衡量分类的精度，其计算是基于混淆矩阵的。
好文章，我 在看❤