深度学习评估指标

kkbown

已于 2024-06-26 14:31:47 修改

阅读量195

点赞数 2

文章标签：深度学习人工智能

于 2024-06-26 14:28:42 首次发布

本文链接：https://blog.csdn.net/kkbown/article/details/139359568

版权

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。

关注