Ý nghĩa của các số liệu đánh giá trong Tensorflow

Tôi gần như là một người mới bắt đầu trong Tensorflow và chỉ cần làm theo một hướng dẫn. Không có vấn đề với mã của tôi, nhưng tôi có một câu hỏi liên quan đến đầu ra

accuracy: 0.95614034
accuracy_baseline: 0.6666666
auc: 0.97714674
auc_precision_recall: 0.97176754
average_loss: 0.23083039
global_step: 760
label/mean: 0.33333334
loss: 6.578666
prediction/mean: 0.3428335

Tôi muốn biết "dự đoán / có nghĩa" và "nhãn / có nghĩa" đại diện cho cái gì?

Tất cả những điều này có thể là vấn đề cụ thể (ngoại trừ có thể chính xác). Hầu hết trong số đó được ghi lại ở đây :

• độ chính xác: Tỷ lệ phần trăm chính xác của phân loại
• precision_baseline: Đường cơ sở chính xác dựa trên giá trị trung bình của nhãn. Đây là điều tốt nhất mà mô hình có thể làm bằng cách luôn dự đoán một lớp. ( nguồn )
• AUC hoặc Vùng dưới Đường cong (ROC) khá phức tạp, nhưng cho bạn biết điều gì đó về tỷ lệ dương / đúng. Nói tóm lại: AUC bằng với xác suất mà một bộ phân loại sẽ xếp hạng một trường hợp tích cực được chọn ngẫu nhiên cao hơn một trường hợp tiêu cực được chọn ngẫu nhiên.
• auc_precision_recall: Là tỷ lệ phần trăm của các nội dung có liên quan, trong số các trường hợp được truy xuất, đã được truy xuất trên tổng số lượng các trường hợp có liên quan.
• Average_loss: Bạn thường tối thiểu hóa một số chức năng và đây có thể là giá trị trung bình của chức năng đó với các lô hiện tại.
• mất mát: Giá trị hiện tại của tổn thất (như trên). Tổng số tổn thất, hoặc tổn thất của đợt cuối cùng.
• global_step: Số lần lặp.
• nhãn / trung bình và dự đoán / trung bình: Không thực sự chắc chắn, nhưng tôi nghi ngờ rằng nếu bạn có hai lớp thì nhãn / trung bình là giá trị trung bình của các nhãn giá trị, trong khi dự đoán / trung bình có thể là giá trị của các dự đoán tương ứng. (hai lớp có thể cung cấp cho bạn một giá trị từ 0 đến 1)