文本分类的评估指标通常包括以下几个：

  1. 准确率（Accuracy）：表示模型正确分类的样本数与总样本数的比例。准确率可以直观地评估模型的整体分类性能，但当样本类别不平衡时，准确率可能会产生误导。

  2. 精确率（Precision）：表示模型正确分类为某一类别的样本数与模型预测分类为该类别的样本数之比。精确率衡量了模型在某一类别上的预测准确程度。

  3. 召回率（Recall）：表示模型正确分类为某一类别的样本数与该类别总样本数之比。召回率衡量了模型对某一类别的分类能力。

  4. F1值（F1-score）：综合考虑了精确率和召回率，是精确率与召回率的调和平均值，用来衡量模型的综合表现。

  5. ROC曲线和AUC值：在二分类问题中，ROC曲线是以真阳率（True Positive Rate）为纵轴、假阳率（False Positive Rate）为横轴画出的曲线，AUC（Area Under the Curve）是ROC曲线下的面积，代表了模型在不同阈值下的预测能力。

  6. 混淆矩阵：用于展示模型在各个类别下的分类结果。混淆矩阵可以帮助我们直观地了解模型在各个类别上的分类表现，包括真阳性（True Positive）、假阳性（False Positive）、真阴性（True Negative）和假阴性（False Negative）等。

  以上评估指标是常用的文本分类任务中的主要指标，根据具体的任务需求和应用场景可以选择合适的指标进行评估和比较。