精度

精度用于衡量模型做出的正确预测的比例。这意味着它会识别模型做出的所有正面预测中属于真正面预测的比例。

精度 = 真例 /（真例 +误报）

例如，对于数据集中每 100 条预测为具有“请求信息”标签的消息，精度指的是正确预测“信息请求”标签的次数占总预测次数的百分比。

95％ 的精度意味着每 100 条预测为具有特定标签的消息，其中 95 条会被正确标注，而 5 条会被错误地标注，这意味着它们不应该使用该标签进行标注。

有关精度工作原理的更详细说明，请查看精度和召回率的说明。

平均精度 (AP)

单个标签的AP分数计算为该标签在每个召回值（0 到 100％ 之间）的所有精度分数的平均值。

本质上，平均精度衡量的是模型在该标签的所有置信度阈值上的执行情况。

平均精度 (MAP)

MAP是衡量模型整体性能的最有用方法之一，也是相互比较不同模型版本的简便方法。

MAP分数取分类中每个标签的平均精度分数的平均值，该标签在“验证”使用的训练集中至少包含 20 个示例。

通常，MAP 分数越高，模型的整体性能就越好，但这不是在了解模型运行状况时应考虑的唯一因素。同样重要的是要知道您的模型是无偏倚且具有高覆盖率。

召回率平均精度

召回率平均精度是另一个显示模型整体性能的指标。 它以图形方式表示为分类中所有标签的平均召回率曲线。