複習一下昨天學到的東西，我們要先處理資料跟訓練模型，是為了讓它學會從數據中識別模式，在面對新數據時能做出準確的預測，而今天要提到的主要是關於測試集評估。

測試集評估是什麼?
它是檢驗訓練好的模型在未見過的數據上表現的過程，用來幫助我們了解模型在新數據上的表現，從而確定模型是否適合實際應用。訓練開始之前，通常會將數據集分為三個集，第一個是訓練集，用於訓練模型，第二個是驗證集，用於調整超參數，最後一個測試集則用於最終評估，進行評估後記錄模型在測試集上的表現指標。

它有一些評估指標：
1.準確率（Accuracy）：正確分類的樣本數佔總樣本數的比例。
2.精確率（Precision）和召回率（Recall）：特別在類別不平衡的情況下，這兩個指標更有作用。
3.F1-score：精確率和召回率的調和平均數。
4.混淆矩陣：可視化模型的預測結果，了解模型在不同類別上的表現。

測試集評估:

test_loss, test_accuracy = model.evaluate(x_test, y_test)
print(f'Test loss: {test_loss}')
print(f'Test accuracy: {test_accuracy}')

加上前面訓練後的程式碼，會得到:

最後兩排，Test loss: 0.03920494019985199 和Test accuracy: 0.9886999726295471。
第一個是測試損失（Test loss），它的值為 0.039，表示模型的預測誤差較小，範圍越低代表模型越準確。
第二個是測試準確率（Test accuracy），約為 98.87%，代表著模型在測試集上正確分類了近 99% 的樣本，顯示模型的性能很好，能有效識別手寫數字。