Bedeutung der Bewertungsmetriken in Tensorflow

Ich bin so ziemlich ein Anfänger in Tensorflow und folge einfach einem Tutorial. Es gibt kein Problem mit meinem Code, aber ich habe eine Frage bezüglich der Ausgabe

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

Ich würde gerne wissen, was "Vorhersage / Mittelwert" und "Bezeichnung / Mittelwert" bedeuten.

All dies könnte problemspezifisch sein (außer vielleicht Genauigkeit). Das meiste davon ist hier dokumentiert :

• Genauigkeit: Prozentsatz der korrekten Anzahl von Klassifizierungen
• Genauigkeitsbasislinie: Genauigkeitsbasislinie basierend auf dem Mittelwert der Beschriftung. Dies ist das Beste, was das Modell tun kann, wenn immer eine Klasse vorhergesagt wird. ( Quelle )
• AUC oder Area Under the (ROC) -Kurve ist ziemlich kompliziert, sagt aber etwas über die True / False-Positivrate aus. Kurz gesagt: Die AUC entspricht der Wahrscheinlichkeit, dass ein Klassifizierer eine zufällig ausgewählte positive Instanz höher einstuft als eine zufällig ausgewählte negative.
• auc_precision_recall: Gibt den Prozentsatz der relevanten Instanzen unter den abgerufenen Instanzen an, die über die Gesamtmenge der relevanten Instanzen abgerufen wurden.
• durchschnittlicher_verlust: Normalerweise minimieren Sie einige Funktionen, und dies ist wahrscheinlich der Durchschnittswert dieser Funktion angesichts der aktuellen Stapel.
• Verlust: Der aktuelle Wert des Verlusts (wie oben). Entweder die Summe der Verluste oder der Verlust der letzten Charge.
• global_step: Anzahl der Iterationen.
• Bezeichnung / Mittelwert und Vorhersage / Mittelwert: Nicht wirklich sicher, aber ich vermute, dass bei zwei Klassen die Bezeichnung / der Mittelwert der Mittelwert der Wertelabels ist, während Vorhersage / Mittelwert der Wert der entsprechenden Vorhersagen sein könnte. (Zwei Klassen können einen Wert zwischen 0 und 1 ergeben.)