多标签分类问题中的评价指标：准确率，交叉熵代价函数

参考博客
https://blog.csdn.net/qq_36396104/article/details/88647634
博客第一部分讲的平方代价函数的缺点，第二部分即论述为什么神经网络会使用交叉熵代价函数。
其中，讲到了交叉熵在多标签分类问题中的应用，这是我之前博客没有提到的，所以我在这篇博客中进行总结。
首先需要说说，评价分类模型进行分类处理是好是坏的几个指标
模型在处理分类问题时，分类结果分为以下四种情况：
True Positive(TP)：将正类预测为正类数。
True Negative(TN)：将负类预测为负类数。
False Positive(FP)：将负类预测为正类数。
False Negative(FN)：将正类预测为负类数。
其中TP和TN都属于分类器分类正确的情况，FP和FN都数据分类器分类错误的情况。
常用的几种评价指标有以下三种
准确率
准确率是指分类正确的样本占总样本个数的比例，即

精确率
精确率是指分类正确的正样本个数占分类器判定为正样本的样本个数的比例，即