真正(True Positive , TP)：被模型预测为正的正样本。 假正(False Positive , FP)：被模型预测为正的负样本。 假负(False Negative , FN)：被模型预测为负的正样本。 真负(True Negative , TN)：被模型预测为负的负样本。
查准率（precision）
查全率（Recall）
回归性能度量方法（regression metrics）
平均绝对误差MAE（mean absolute error）均方误差MSE（mean squarederror）及均方根差RMS逻辑回归损失或称交叉熵loss（cross-entropy loss）R方值，确定系数（r2_score）(1)平均绝对误差MAE（mean absolute error） 即平均绝对值误差，它表示预测值和观测值之间绝对误差的平均值。 举例：真实值= [2,4,6,8]，预测值= [4,6,8,10] MAE=1/4(2+2+2+2)=2.0
(2)均方误差MSE（mean_squared_error）及均方根差RMS MSE = RMS = (3)逻辑回归损失 / 称交叉熵loss（cross-entropy loss） 表征真实样本标签和预测概率之间的差值 信息量： 假设对于学习神经网络原理课程，我们有三种可能的情况发生：
WoW，某某同学退学了！好大的信息量！相比较来说，“完全学会了课程”事件的信息量反而小了很多
设X是一个离散型随机变量，X=x0的信息量为： 根据log函数曲线，我们可知，概率越大，信息量越小
X0:表示一个事件 P(X0):表示X0发生的概率 I(X0):指示性函数 熵： 表示随机变量不确定性的度量。 则上面的问题的熵是： 相对熵(KL散度) KL散度=交叉熵−熵 n为事件的所有可能性。 D的值越小，表示q分布和p分布越接近。 交叉熵 损失函数参考链接
