神经网络八股（4）

1.分类问题常用的性能指标

准确率：所有样本中判别正确的比率

召回率：模型正确预测为正类的样本数与所有实际为正类的样本总数的比例

精确率：模型正确预测为正类的样本数与所有预测为正类的样本总数的比例。

F1-score：精确率（Precision）和召回率（Recall）的调和平均数

ROC:条以假正例率（FPR）为横轴，真正例率（TPR）为纵轴的曲线。通过调整分类阈值，我们可以得到一系列不同的FPR和TPR值，这些值在ROC图上形成的曲线即为ROC曲线。

AUC：ROC曲线的面积,AUC值越大，表示模型将正样本排在负样本前面的能力越强，即模型的分类性能越好。UC值的取值范围在0.5到1之间。当AUC值为0.5时，表示模型没有分类能力，即随机猜测；当AUC值接近1时，表示模型的分类性能非常好

Log-loss：对数回归损失也叫逻辑回归损或交叉熵损失。对数损失越小，表示模型的预测概率分布与实际标签概率分布越接近，模型性能越好