模型训练中哪些指标是关键性能？

1. 准确率（Accuracy）

模型正确预测的样本数与总样本数的比例。准确率是最直观的评估指标，但需要注意它的适用条件，即数据集必须是平衡的

2. 精度（Precision）

精度反映了预测为正的样本中真正为正的比例，是对于正类预测的特性的评估（根据结果来看）

3. 召回率（Recall）

召回率反映了所有实际为正的样本中被正确预测为正的比例（根据样本来看）

4. F1得分（F1 Score）

是精度和召回率的调和平均数，用于综合评价模型的性能

5. AUC-ROC（Area Under the Curve - Receiver Operating Characteristic）

ROC曲线下的面积，ROC曲线是真正类率（TPR）和假正类率（FPR）的函数。AUC-ROC越大，模型的整体性能越好

6. 泛化能力（Generalization Ability）

模型对新数据的预测能力。一个好的模型应该能够泛化到未见过的数据上，而不仅仅是学习训练数据中的特定样本

7. 鲁棒性（robustness）

鲁棒性是指模型对于输入数据的健壮性，即模型在遇到各种不同的数据输入时，仍然能够保持高效的表现。一个鲁棒性强的模型能够在噪声、缺失数据或者其他异常情况下也能够准确地预测结果

8. 稳定性（Stability）

稳定性是指模型在训练和测试过程中，其性能和表现是否稳定。影响深度学习稳定性的因素有很多，例如数据集的质量和数量、模型的复杂度、优化算法的选择、学习率的大小等等。而且增加模型稳定性的方法有如下几种：

1. 数据预处理：对数据进行预处理，例如标准化、归一化等，可以减少数据之间的差异，提高模型的泛化能力
2. 增加数据量：增加训练数据集的数量，可以使得模型更加充分地学习到数据的特征，提高模型的泛化能力和稳定性
3. 模型复杂度控制：控制模型的复杂度，避免过拟合和欠拟合现象的出现。可以通过调整模型的结构、增加正则化项等方式来实现
4. 优化算法选择：选择合适的优化算法，例如Adam、SGD等，可以使得模型在训练过程中更加稳定
5. 学习率调整：适当调整学习率，可以使得模型在训练过程中更加稳定。如果学习率过大，会导致模型在训练过程中波动较大，如果学习率过小，会导致模型训练速度较慢
6. 早停法：在模型训练过程中，我们可以设置一个早停点，当模型的性能在早停点之后不再明显提升时，就停止训练。这样可以避免过拟合现象的出现，提高模型的泛化能力和稳定性
7. 集成学习：将多个模型的预测结果进行集成，可以使得模型的预测结果更加稳定。例如bagging、boosting等方法可以用来提高模型的稳定性和泛化能力

9. 可解释性（Explainability）

可解释性是指通过人类可以理解的方式描述系统的内部结构，并说明input到output之间的因果关系。同时，如果模型具备较强的可解释性，可以使用户获得良好的交互体验，满足好奇心，增加对模型的信任感。具有强可解释性的模型也会具有较高的社会认可度，会更容易被公众所接纳

---

当然不能单单靠一种指标来评估一个模型的好坏，我们需要综合各项指标在不同的场景下得出最优的方案