ACC、AUC、auPR

1. test acc：

模型正确预测的样本占总样本的比例。

如果该样本中零值大概是73%的比例，test acc高而auc低说明模型没学到有用的信息，将所有样本都判断为0都有73%的正确率，更何况随机猜测(auc=0.5)，因此准确率会稍高于73%

2. AUC：

ROC曲线下的面积，ROC曲线是真阳率（True Positive Rate, TPR）对假阳率（False Positive Rate, FPR）的图表表示。AUC越高，意味着模型对正负样本的区分能力越强（能把正样本找全）。

AUC为0.5通常意味着模型没有区分能力，等同于随机猜测，即模型在各种阈值下，将正样本识别为正的能力，与将负样本错误地识别为正的概率相同，公式就是TN*TP = FN*FP，即正确分类的能力与错误分类的能力相同。 左凸最好

AUC更侧重于模型在所有可能的分类阈值下的综合表现，而不是仅仅关注正样本或负样本。它提供了一个衡量模型区分两个类别的能力的整体指标。

3. auPR：

精确率-召回率曲线下的面积，关注于正样本的预测准确性。 精确率（Precision）：TP/(TP+FP)是模型预测为正的样本中实际为正的比例。 召回率（Recall）：即TP/（TP+FN），模型正确识别为正的样本占所有实际正样本的比例。右凸最好

auPR更加关注于正样本，它在正样本数量远少于负样本的情况下，能提供更有意义的性能衡量。当正样本非常重要时，auPR可能是一个更好的选择。