神经网络性能指标

混淆矩阵

对于一个二分类问题，即正类（positive）或负类（negative），则会出现以下四种情况：

TP(True Positive ，真正类)：

                若一个实例是正类，并且被预测为正类

FN(False Negative ，假负类)

                若一个实例是正类，但是被预测为负类

FP(False Positive ，假正类)

                若一个实例是负类，但是被预测为正类

TN(True Negative ，真负类)

                若一个实例是负类，并且被预测为负类

准确率（Accuracy）

二分类：预测正确的样本数量占总量的百分比：（准确率在样本不均衡情况下，不能评价模型性能的优劣）

多分类：

 精准率（Precision）、阳性预测值（Positive Predictive Value，PPV）

指预测的正类中有多少为真的正类。即当模型声称事件发生时，事件真正发生的比例

召回率（Recall）、真阳率（True Positive Rate，TPR）、敏感度（Sensitivity）

指所有正类中有多少被预测为正。即当事件真正发生时，模型成功预测它发生的比例

F1 Score

指精准率和召回率的调和平均数，最大为1，最小为0

 均方误差（Mean Square Error，MSE）

 测量预测值Ŷ与某些真实值匹配程度。MSE 通常用作回归问题的损失函数

  绝对平均误差（Mean Absolute Error，MAE）

指模型预测值Ŷ与样本真实值 y 之间距离的平均值