一、背景

AI最大，它的目的是通过让机器模仿人类进而超越人类；

ML次之，它是AI的一个分支，是让机器模仿人类的一种方法。开发人员用大量数据和算法“训练”机器，让机器自行学会如何执行任务，它的成功取决于我们喂给机器的数据集是否准确有效，所以是大数据技术领域的一个应用。但随着问题场景越来越复杂多变，需要的判断条件也越来越苛刻，需要一种新的方式来优化机器学习；

DL最后，它是ML的一个分支，它的目的是让机器不借助人工标注，也能自主提取目标特征进而解决问题的方法。试图模仿大脑的神经元之间传递、处理信息的模式，通过不同的层来拆分问题，每一层解决问题的一个部分。

二、评价指标

1.混淆矩阵

• TP-True Positive
• FP-False Positive
• TN-True Negative
• FN-False Negative

Ture表示实际与预测相同，Positive表示预测为正样本。​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​故

• TP表示实际类别与预测类别相同，且预测类别和实际类别都为正样本
• FP表示实际类别与预测类别不同，预测类别为正样本，实际类别为负样本
• TN表示实际类别与预测类别相同，且预测类别和实际类别都为负样本
• FN表示实际类别与预测类别不同，预测类别为负样本，实际类别为正样本

2.Overrall Accuracy

表示所有预测正确的样本占所有预测样本总数的比例，即

分类正确表示了正样本被正确分类为正样本，负样本正确分类为负样本

3.Recall

即召回率，代表了实际为正样本且被正确识别为正样本的数量占样本中所有正样本的比例，

用来判断模型正确识别所有正样本的能力。

4.Precision

即精准率，代表预测正确的正样本占全部预测为正样本的比例，

用来判断预测结果中有多少样本是分类正确的。

5.F1

F1是召回率和精确率的加权平均，F1越高，说明模型鲁棒性越好

6.置信度

7.IOU

交并比