深度学习常用性能评价指标(1)，面试Python工程师会问到那些问题

先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7

深知大多数程序员，想要提升技能，往往是自己摸索成长，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年最新Python全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上Python知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以添加V获取：vip1024c （备注Python）

正文

---

深度学习性能指标是用于评价深度学习模型性能的依据，是设计模型的重要依据。

基于准确度的指标

---

对于模型而言仅统计预测正确或错误的个数其意义有限，标准化的衡量具有更准确的参考价值。

准确率(Accuracy, ACC)：判断正确的结果与所有观测样本之比， A C C = T P + T N T P + F P + F N + T N ACC= \frac{TP+TN}{TP+FP+FN+TN} ACC=TP+FP+FN+TNTP+TN​

精确率(precision)或阳性预测值(Positive Predictive Value, PPV)：判断正确的结果占预测为positive的比例， P r e c i s i o n = T P T P + F P Precision= \frac{TP}{TP+FP} Precision=TP+FPTP​

灵敏度(Sensitivity)或称召回率(Recall)或真阳率(True Positive Rate, TPR)：模型预测正确的个数占真实值为positive的比例， S e n s i t i v i t y = T P T P + F N Sensitivity= \frac{TP}{TP+FN} Sensitivity=TP+FNTP​

特异度(Specificity)或选择率(Selectivity)或真阴率(True Negative Rate, TNR)：判断正确的个数占真实值为Negative的比例， S p e c i f i c i t y = T N T N + F P Specificity= \frac{TN}{TN+FP} Specificity=TN+FPTN​

阴性预测值(Negative Predictive Value, NPV)：判断正确的结果占预测为negative的比例， N P V = T N T N + F N NPV= \frac{TN}{TN+FN} NPV=TN+FNTN​

假阴率(False Negative Rate, FNR)：判断错误的个数占真实值为positive的比例， F N R = F N F N + T P FNR= \frac{FN}{FN+TP} FNR=FN+TPFN​

假阳率(False Positive Rate, FPR)：判断错误的个数占真实值为negative的比例， F P R = F P F P + T N FPR= \frac{FP}{FP+TN} FPR=FP+TNFP​

错误发现率(False Discovery Rate, FDR)：预测错误的个数占预测值为positive的比例， F D R = F P F P + T P FDR= \frac{FP}{FP+TP} FDR=FP+TPFP​

错误遗漏率(False Omission Rate, FOR)：预测错误的个数占预测值为negative的比例， F O R = F N F N + T N FOR= \frac{FN}{FN+TN} FOR=FN+TNFN​

威胁分数(Threat score, TS)或临界成功指数(critical success index, CSI)： T S = T P T P + F N + F P TS= \frac{TP}{TP+FN+FP} TS=TP+FN+FPTP​

F分数(F-Score)是精度和召回率的调和平均值： F = 2 × p r e c i s i o n × r e c a l l p r e c i s i o n + r e c a l l = 2 × T P 2 × T P + F N + F P F= 2\times\frac{precision\times recall}{precision+recall}= \frac{2\times TP}{2\times TP+FN+FP} F=2×precision+recallprecision×recall​=2×TP+FN+FP2×TP​

阳性似然比(Positive likelihood ratio, LR+)： L R + = T P R F P R LR+= \frac{TPR}{FPR} LR+=FPRTPR​

阴性似然比(Negative likelihood ratio, LR-)： L R − = F N R T N R LR-= \frac{FNR}{TNR} LR−=TNRFNR​

诊断优势比(Diagnostic odds ratio, DOR)： D O R = L R + L R − DOR= \frac{LR+}{LR-} DOR=LR−LR+​

接收者操作特征曲线(receiver operating characteristic curve, ROC)是坐标图式的分析工具，其横轴为FPR，纵轴为TPR。

曲线下面积(Area Under Curve, AUC)是ROC曲线下的面积。

平均精度(Average Precision, AP)是衡量精确率和召回率的一种指标，当Recall阈值从0增加到1时，Precision越高，AP越高。Precision-Recall曲线描述了Precision和Recall之间的关系。 好的模型应该改善Recall，同时将Precision保留相对较高的分数。 相反，较弱的模型可能会损失更多的Precision以改善Recall。 与Precision-Recall曲线相比，AP可以更直观地显示模型的性能。

文末有福利领取哦~

👉一、Python所有方向的学习路线

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

👉二、Python必备开发工具

👉三、Python视频合集

观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

👉 四、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。（文末领读者福利）

👉五、Python练习题

检查学习结果。

👉六、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

👉因篇幅有限，仅展示部分资料，这份完整版的Python全套学习资料已经上传

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以添加V获取：vip1024c （备注python）

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
256558496)]

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！