深度学习中常用的一些评估指标包括:
-
准确率(Accuracy): 分类任务中预测正确的样本比例。
-
精确率(Precision): 正类预测正确的比例,衡量模型预测为正的样本中有多少是真正的正例。
-
召回率(Recall): 所有真正的正例中被预测为正的比例,衡量模型能够识别出多少真正的正例。
-
F1 分数(F1 Score): 精确率和召回率的调和平均数,综合考虑了模型的精度和召回率。
-
ROC 曲线(Receiver Operating Characteristic curve): 描述分类器性能的图形化工具,横轴为假阳率,纵轴为真阳率。
-
AUC(Area Under the Curve): ROC 曲线下的面积,用于度量分类器在各种阈值下的表现优劣。
-
损失函数(Loss Function): 衡量模型预测与真实值之间的差异,是优化模型参数的依据。
-
交叉熵损失(Cross-Entropy Loss): 用于多类别分类问题中,衡量预测分布与真实分布之间的差异。
-
均方误差(Mean Squared Error,MSE): 用于回归问题中,衡量模型预测值与真实值之间的平方差的平均值。
-
R 平方(R-squared): 衡量回归模型对数据方差的解释程度,取值范围在0到1之间,越接近1表示模型拟合得越好。