Signification des mesures d'évaluation dans Tensorflow

Je suis à peu près un débutant dans Tensorflow et je ne fais que suivre un tutoriel. Il n'y a pas de problème avec mon code, mais j'ai une question concernant la sortie

accuracy: 0.95614034
accuracy_baseline: 0.6666666
auc: 0.97714674
auc_precision_recall: 0.97176754
average_loss: 0.23083039
global_step: 760
label/mean: 0.33333334
loss: 6.578666
prediction/mean: 0.3428335

Je voudrais savoir ce que représentent "prédiction / moyenne" et "étiquette / moyenne"?

Tous ces éléments peuvent être spécifiques au problème (sauf peut-être la précision). La majeure partie est documentée ici :

• précision: pourcentage du nombre correct de classifications
• precision_baseline: base de précision basée sur les étiquettes. C'est le mieux que le modèle puisse faire en prédisant toujours une classe. ( source )
• L'AUC ou la zone sous la courbe (ROC) est assez compliquée, mais vous indique quelque chose sur le taux de vrai / faux positif. En bref: l'AUC est égale à la probabilité qu'un classificateur classe une instance positive choisie au hasard plus élevée qu'une instance négative choisie au hasard.
• auc_precision_recall: est le pourcentage des substances pertinentes, parmi les instances récupérées, qui ont été récupérées sur le nombre total d'instances pertinentes.
• average_loss: Vous minimisez généralement certaines fonctions, et il s'agit probablement de la valeur moyenne de cette fonction compte tenu des lots actuels.
• perte: La valeur actuelle de la perte (comme ci-dessus). Soit la somme des pertes, soit la perte du dernier lot.
• global_step: nombre d'itérations.
• label / mean et prediction / mean: Pas vraiment sûr, mais je soupçonne que si vous avez deux classes, le label / mean est la moyenne des labels de valeur, tandis que prediction / mean pourrait être la valeur des prédictions correspondantes. (deux classes pourraient vous donner une valeur entre 0 et 1)