博观约取，厚积薄发

ROC曲线是由 FPR 与 TPR 构成的曲线。该曲线最早应用于雷达信号检测领域，用于区分信号与噪声。后来人们将其用于评价模型的预测能力。与 P-R 曲线类似，通过设定不同的模型参数，模型的预测结果会对应不同 TPR 与 FPR。将不同的（FPR，TPR）构成的点绘制成曲线，就得到了 ROC 曲线。

本文旨在说明其他机器学习模型的评价指标。

在机器学习领域，特别是在统计分类的问题中，混淆矩阵，也被称为 错误矩阵，是一种独特的表排列，可以可视化一个算法的性能，通常是监督学习(在非监督学习中，它通常被称为 匹配矩阵)。矩阵的每一行代表一个实际类中的实例，而每一列代表一个预测类中的实例，-这两种变体都可以在文献[11]中找到。这个名字源于这样一个事实，即它很容易看出系统是否混淆了两个类(即通常将一个类错误标记为另一个类)。看来行是真实或者预测都是可以的。

批量归一化是对每个特征/通道里的元素进行归一化。（不适合序列长度会变的NLP应用） 层归一化是对每个样本里面的元素进行归一化。ln = nn.LayerNorm(2)bn = nn.BatchNorm1d(2)X = torch.tensor([[1, 2], [2, 3]], dtype=torch.float32)# 在训练模式下计算X的均值和方差print('layer norm:', ln(X), '\nbatch norm:', bn(X))输出：layer norm: t