1. accuracy (准确率)
定义：准确率是分类模型最常用的评估指标之一，表示模型正确预测的样本数占总样本数的比例。公式为：
Accuracy=正确预测的样本数总样本数Accuracy=总样本数正确预测的样本数
优点：简单易懂，计算方便。
缺点：当数据集不平衡时，准确率可能给出误导性的结果。
2. bal_accuracy (平衡准确率)
定义：平衡准确率是对每个类别的准确率进行平均的结果。它适用于类别不平衡的数据集，能够减小大类数据对评估指标的影响。公式为：
Balanced Accuracy=12(TPTP+FN+TNTN+FP)Balanced Accuracy=21(TP+FNTP+TN+FPTN)
这里，TPTP 是真正例，TNTN 是真反例，FPFP 是假正例，FNFN 是假反例。
3. precision (精确率)
定义：精确率是指模型预测为正类的样本中，实际为正类的比例。公式为：
Precision=TPTP+FPPrecision=TP+FPTP
优点：高精确率意味着模型在预测正类时更为准确，减少了误报。
缺点：如果过于强调精确率，可能会导致召回率下降。
4. recall (召回率)
定义：召回率是指模型在所有真实为正类的样本中，能够正确预测为正类的比例。公式为：
Recall=TPTP+FNRecall=TP+FNTP
优点：高召回率意味着模型能够识别大部分的正类样本，减少了漏报。
缺点：如果过于强调召回率，可能会导致精确率下降。
5. f1_score (F1 得分)
定义：F1 得分是精确率和召回率的调和平均值，能够综合考虑这两个指标。公式为：
F1=2×Precision×RecallPrecision+RecallF1=2×Precision+RecallPrecision×Recall
优点：F1 得分对于类别不平衡的数据集非常有用，因为它平衡了精确率和召回率。
缺点：计算较复杂，但在许多应用中非常重要。
6. jaccard_index (杰卡德指数)
定义：杰卡德指数用于衡量两个集合的相似度，通常用于计算模型预测与实际标签之间的相似度。公式为：
Jaccard Index=∣A∩B∣∣A∪B∣Jaccard Index=∣A∪B∣∣A∩B∣
其中 AA 是预测集，BB 是实际集，∩∩ 是交集，∪∪ 是并集。值的范围是 0, 1，值越大表示预测结果与实际标签越相似。
7. cohen_kappa (科恩的Kappa系数)
定义：科恩的Kappa系数衡量两个评估者或分类器一致性的程度。它考虑了随机猜测的可能性。公式为：
Kappa=po−pe1−peKappa=1−pepo−pe
其中，popo 是观测一致性（实际一致性），pepe 是预期一致性（随机一致性）。Kappa值范围为 -1, 1，值越大表示一致性越强，0表示一致性等于随机猜测。
8. mcc (Matthews 相关系数)
定义：MCC 是一种衡量二分类模型表现的指标，考虑了所有四个基本分类（真正例、假正例、真反例和假反例）。公式为：
MCC=TP×TN−FP×FN(TP+FP)(TP+FN)(TN+FP)(TN+FN)MCC=(TP+FP)(TP+FN)(TN+FP)(TN+FN)TP×TN−FP×FN
优点：MCC 是一种平衡的指标，可以用于评价数据集不平衡的情况。其值范围是 -1, 1，值越大表示模型性能越好。
9. loss (损失)
定义：损失值用于评估模型在训练或测试时的错误程度，越小表示模型预测越精确。损失值通常使用某种损失函数计算，比如交叉熵损失、均方误差等。损失值越高，表明模型的预测与真实标签之间的差异越大。
在这个例子中，损失值为 3349.924471，表示模型在该任务中产生了较大的预测误差，可能需要进一步优化。