神经网络常见评价指标AUROC（AUC

准确性（Accuracy）： 准确性是最常见的分类任务评价指标，表示模型正确预测的样本数占总样本数的比例。但在某些不平衡类别的情况下，准确性可能不是一个很好的指标。

精确度（Precision）： 精确度是指在所有被模型预测为正例的样本中，实际为正例的比例。精确度关注的是模型预测为正例的准确性。

召回率（Recall）： 召回率是指在所有实际为正例的样本中，被模型正确预测为正例的比例。召回率关注的是模型对正例的覆盖程度。

F1分数（F1 Score）： F1分数是精确度和召回率的调和平均值，综合考虑了模型的准确性和覆盖率。F1分数在不同类别不平衡的情况下比准确性更具意义。

AUC-ROC曲线下面积（Area Under the Receiver Operating Characteristic Curve）（AUC-ROC）（AUROC）： 适用于二分类问题，ROC曲线是以真正例率（True Positive Rate，召回率）为纵轴Y、假正例率（False Positive Rate）为横轴X的曲线，AUC-ROC是ROC曲线下的面积。AUC-ROC通常用于评估模型在不同阈值下的性能。详见：真阳性（TP）：判断为真，实际也为真；伪阳性（FP）：判断为真，实际为假；伪阴性（FN）：判断为假，实际为真；真阴性（TN）：判断为假，实际也为假；

fpr（假正率）： 在二分类中，假正率是被错误地预测为正类别的负样本占所有负样本的比例。计算方式为 fpr = FP / (FP + TN)，其中 FP 是假正例的数量，TN 是真负例的数量。

tpr（真正率）： 在二分类中，真正率是被正确地预测为正类别的正样本占所有正样本的比例。计算方式为 tpr = TP / (TP + FN)，其中 TP 是真正例的数量，FN 是假负例的数量。

ROC空间将伪阳性率（FPR）定义为 X 轴，真阳性率（TPR）定义为 Y 轴。 从 (0, 0) 到 (1,1) 的对角线将ROC空间划分为左上／右下两个区域，在这条线的以上的点代表了一个好的分类结果（胜过随机分类），而在这条线以下的点代表了差的分类结果（劣于随机分类）。

AUC-PR（Area Under the Precision versus Recall Curve）（AUPR）：PR 曲线则反映了精确率Precision（预测为真阳样本占所有预测为阳性样本的比例）和召回率Recall（预测为真阳样本占所有实际真样本的比例）的关系，其曲线下面积被认为相比于 AUROC 更能反映一个模型对真样本的富集能力。

均方根误差（Root Mean Squared Error，RMSE）： 适用于回归任务，RMSE是预测值与真实值之间差异的均方根。对于连续值的预测任务，RMSE常用于度量模型的预测误差。

平均绝对误差（Mean Absolute Error，MAE）： 也用于回归任务，MAE是预测值与真实值之间绝对值的平均值。

对数损失（Log Loss）： 适用于概率性预测任务，对数损失度量模型对真实标签的预测概率分布的拟合程度。

分类错误率（Classification Error）： 表示模型错误分类的样本比例，是准确性的补数。

混淆矩阵（Confusion Matrix）： 提供了模型在不同类别上的详细性能信息，包括真正例、假正例、真负例和假负例。