深度学习常用性能评价指标，掌握了这些Python高级工程师必备知识

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

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。

基于排名的指标

---

平均倒数排名(MRR)： MRR是衡量排名模型的常用指标。 对于目标查询，如果第一个正确的项目排在第n位，则MRR分数为1/n，一旦不匹配，则分数为0，模型的MRR是所有查询的分数之和。

Hits@K：通过计算所有真实元组的排名（例如MRR），Hits @ K是排名在前K位的正确实体的比例。

基于图数据的指标

归一化互信息（NMI）和模块度是用来评估图上社区检测（即聚类）性能的两个指标。NMI起源于测量两个变量之间相互依赖性的信息理论。在社区检测场景中，NMI用于度量两个社区之间的共享信息量（即相似性）。模块度被设计用来衡量一个图划分成簇的强度。具有高模块度的图在簇内节点之间具有密集连接，而在不同簇中节点之间连接稀疏。
图属性统计数据指标包括基尼系数、特征路径长度、分布熵、幂律指数和三角形计数。一些更多的图统计指标包括度排序、接近中心性排序、中介中心性排序和使用的聚类系数、最短路径长度、对角线距离。

最后

不知道你们用的什么环境，我一般都是用的Python3.6环境和pycharm解释器，没有软件，或者没有资料，没人解答问题，都可以免费领取（包括今天的代码），过几天我还会做个视频教程出来，有需要也可以领取~

给大家准备的学习资料包括但不限于：

Python 环境、pycharm编辑器/永久激活/翻译插件

python 零基础视频教程

Python 界面开发实战教程

Python 爬虫实战教程

Python 数据分析实战教程

python 游戏开发实战教程

Python 电子书100本

Python 学习路线规划

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！
876)]

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！