评价指标 lob acc : 0.915, pre : 0.821, recall : 0.956, F_score : 0.883, IoU : 0.791

1. F-score: 加权平均准确率 (Weighted Average Precision)

F-score 是一种评估分类器性能的常用指标，它结合了准确率 (Precision) 和召回率 (Recall)。具体而言，F-score 被定义为准确率和召回率的加权平均数，其中准确率和召回率分别被定义为正确分类的样本数与总样本数之比和正确分类的样本数与正确分类的样本数之比。

例如，如果一个分类器在一个包含 A 和 B 两类样本的数据集上表现良好，其中 A 类样本占多数，B 类样本占少数，那么该分类器的准确率可能为 0.8，召回率为 0.6。在这种情况下，F-score 的值约为 0.75，因为准确率和召回率的权重相等。

1. Global_acc: 全局准确率 (Global Accuracy)

Global_acc 是指在所有测试样本中，分类器正确分类的样本数占全部样本数的比例。例如，如果一个分类器在包含 A 和 B 两类样本的数据集上表现良好，其中 A 类样本占多数，B 类样本占少数，那么该分类器的准确率可能为 0.8，召回率为 0.6。在这种情况下，Global_acc 的值约为 0.8。

1. IoU: 交集准确率 (Intersection over Union Accuracy)

IoU 是指分类器对训练样本进行分类后，与真实标签的交集面积与总面积之比。IoU 适用于二元分类问题，其中只有两个类别。例如，如果一个分类器在包含 A 和 B 两类样本的数据集上表现良好，其中 A 类样本占多数，B 类样本占少数，那么该分类器的准确率可能为 0.8，召回率为 0.6。在这种情况下，IoU 的值约为 0.6。

1. Loss: 损失函数 (Loss Function)

损失函数是优化算法中的一个参数，用于衡量模型预测值与真实标签之间的差距。常用的损失函数包括均方误差 (MSE)、交叉熵损失函数等。例如，如果一个分类器在包含 A 和 B 两类样本的数据集上表现良好，其中 A 类样本占多数，B 类样本占少数，那么该分类器的准确率可能为 0.8，召回率为 0.6。在这种情况下，使用均方误差损失函数的值约为 0.2。

1. Pre: 预测准确率 (Precision)

预测准确率 (Precision) 是指分类器能够正确地将训练样本中的标签为负类的样本进行分类的比例。例如，如果一个分类器在包含 A 和 B 两类样本的数据集上表现良好，其中 A 类样本占多数，B 类样本占少数，那么该分类器的准确率可能为 0.8，召回率为 0.6。在这种情况下，预测准确率的值约为 0.7。

1. Recall: 召回率 (Recall)

召回率是指分类器能够正确地将训练样本中的标签为正类的样本进行分类的比例。例如，如果一个分类器在包含 A 和 B 两类样本的数据集上表现良好，其中 A 类样本占多数，B 类样本占少数，那么该分类器的准确率可能为 0.8，召回率为 0.6。在这种情况下，召回率的值约为 0.6。