衡量模型的性能和准确性--九五小庞

这些指标是机器学习和人工智能中常用的评估标准

1. TN (True Negative): 实际为负例且被模型正确预测为负例的样本数。
2. FN (False Negative): 实际为负例但被模型错误预测为正例的样本数。
3. TP (True Positive): 实际为正例且被模型正确预测为正例的样本数。
4. FP (False Positive): 实际为正例但被模型错误预测为负例的样本数。
5. F1: F1分数是精确度（precision）和召回率（recall）的调和平均数，用于综合评估模型的性能。
6. Acc (Accuracy): 模型正确预测的样本数占总样本数的比例。
7. Sen (Sensitivity): 也称为召回率（Recall），实际为正例且被正确预测为正例的比例。
8. Spe (Specificity): 也称为真负率（True Negative Rate），实际为负例且被正确预测为负例的比例。
9. Pre (Precision): 预测为正例且实际为正例的比例。
10. AUC (Area Under the Curve): 在ROC曲线下的面积，常用于二元分类问题，可以用来评估模型的性能。
11. count: 这通常指的是样本的数量或某一类别的数量。