前言

---

深度学习性能指标是用于评价深度学习模型性能的依据，是设计模型的重要依据。

基于准确度的指标

---

对于模型而言仅统计预测正确或错误的个数其意义有限，标准化的衡量具有更准确的参考价值。

准确率(Accuracy, ACC)：判断正确的结果与所有观测样本之比， A C C = T P + T N T P + F P + F N + T N ACC= \frac{TP+TN}{TP+FP+FN+TN} ACC=TP+FP+FN+TNTP+TN​

精确率(precision)或阳性预测值(Positive Predictive Value, PPV)：判断正确的结果占预测为positive的比例， P r e c i s i o n = T P T P + F P Precision= \frac{TP}{TP+FP} Precision=TP+FPTP​

灵敏度(Sensitivity)或称召回率(Recall)或真阳率(True Positive Rate, TPR)：模型预测正确的个数占真实值为positive的比例， S e n s i t i v i t y = T P T P + F N Sensitivity= \frac{TP}{TP+FN} Sensitivity=TP+FNTP​

特异度(Specificity)或选择率(Selectivity)或真阴率(True Negative Rate, TNR)：判断正确的个数占真实值为Negative的比例， S p e c i f i c i t y = T N T N + F P Specificity= \frac{TN}{TN+FP} Specificity=TN+FPTN​

阴性预测值(Negative Predictive Value, NPV)：判断正确的结果占预测为negative的比例， N P V = T N T N + F N NPV= \frac{TN}{TN+FN} NPV=TN+FNTN​

假阴率(False Negative Rate, FNR)：判断错误的个数占真实值为positive的比例， F N R = F N F N + T P FNR= \frac{FN}{FN+TP} FNR=FN+TPFN​

假阳率(False Positive Rate, FPR)：判断错误的个数占真实值为negative的比例， F P R = F P F P + T N FPR= \frac{FP}{FP+TN} FPR=FP+TNFP​

错误发现率(False Discovery Rate, FDR)：预测错误的个数占预测值为positive的比例， F D R = F P F P + T P FDR= \frac{FP}{FP+TP} FDR=FP+TPFP​

错误遗漏率(False Omission Rate, FOR)：预测错误的个数占预测值为negative的比例， F O R = F N F N + T N FOR= \frac{FN}{FN+TN} FOR=FN+TNFN​

威胁分数(Threat score, TS)或临界成功指数(critical success index, CSI)： T S = T P T P + F N + F P TS= \frac{TP}{TP+FN+FP} TS=TP+FN+FPTP​

F分数(F-Score)是精度和召回率的调和平均值： F = 2 × p r e c i s i o n × r e c a l l p r e c i s i o n + r e c a l l = 2 × T P 2 × T P + F N + F P F= 2\times\frac{precision\times recall}{precision+recall}= \frac{2\times TP}{2\times TP+FN+FP} F=2×precision+recallprecision×recall​=2×TP+FN+FP2×TP​

阳性似然比(Positive likelihood ratio, LR+)： L R + = T P R F P R LR+= \frac{TPR}{FPR} LR+=FPRTPR​

阴性似然比(Negative likelihood ratio, LR-)： L R − = F N R T N R LR-= \frac{FNR}{TNR} LR−=TNRFNR​

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上Python开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以添加V获取：vip1024c （备注Python）

如果你也是看准了Python，想自学Python，在这里为大家准备了丰厚的免费学习大礼包，带大家一起学习，给大家剖析Python兼职、就业行情前景的这些事儿。

一、Python所有方向的学习路线

Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

二、学习软件

工欲善其必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。

三、全套PDF电子书

书籍的好处就在于权威和体系健全，刚开始学习的时候你可以只看视频或者听某个人讲课，但等你学完之后，你觉得你掌握了，这时候建议还是得去看一下书籍，看权威技术书籍也是每个程序员必经之路。

四、入门学习视频

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

四、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

五、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

成为一个Python程序员专家或许需要花费数年时间，但是打下坚实的基础只要几周就可以，如果你按照我提供的学习路线以及资料有意识地去实践，你就有很大可能成功！
最后祝你好运！！！

一个人可以走的很快，但一群人才能走的更远。不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎扫码加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

，但一群人才能走的更远。不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎扫码加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**
[外链图片转存中…(img-QyqdIhvm-1712814687790)]