神经网络的性能可以通过多个评价指标进行衡量，具体选择哪些指标取决于任务的性质。以下是神经网络中常见的评价指标：
-
准确性（Accuracy）： 准确性是最常见的分类任务评价指标，表示模型正确预测的样本数占总样本数的比例。但在某些不平衡类别的情况下，准确性可能不是一个很好的指标。
-
精确度（Precision）： 精确度是指在所有被模型预测为正例的样本中，实际为正例的比例。精确度关注的是模型预测为正例的准确性。
-
召回率（Recall）： 召回率是指在所有实际为正例的样本中，被模型正确预测为正例的比例。召回率关注的是模型对正例的覆盖程度。
-
F1分数（F1 Score）： F1分数是精确度和召回率的调和平均值，综合考虑了模型的准确性和覆盖率。F1分数在不同类别不平衡的情况下比准确性更具意义。
-
AUC-ROC曲线下面积（Area Under the Receiver Operating Characteristic Curve）（AUC-ROC）（AUROC）： 适用于二分类问题，ROC曲线是以真正例率（True Positive Rate，召回率）为纵轴Y、假正例率（False Positive Rate）为横轴X的曲线，AUC-ROC是ROC曲线下的面积。AUC-ROC通常用于评估模型在不同阈值下的性能。详见：真阳性（TP）：判断为真，实际也为真；伪阳性（FP）：判断为真，实际为假；伪阴性（FN）：判断为假，实际为真；真阴性（TN）：判断为假，实际也为假；
ROC空间将伪阳性率（FPR）定义为 X 轴，真阳性率（TPR）定义为 Y 轴。
从 (0, 0) 到 (1,1) 的对角线将ROC空间划分为左上／右下两个区域，在这条线的以上的点代表了一个好的分类结果（胜过随机分类），而在这条线以下的点代表了差的分类结果（劣于随机分类）。
-
AUC-PR（Area Under the Precision versus Recall Curve）（AUPR）：PR 曲线则反映了精确率Precision（预测为真阳样本占所有预测为阳性样本的比例）和召回率Recall（预测为真阳样本占所有实际真样本的比例）的关系，其曲线下面积被认为相比于 AUROC 更能反映一个模型对真样本的富集能力。
-
均方根误差（Root Mean Squared Error，RMSE）： 适用于回归任务，RMSE是预测值与真实值之间差异的均方根。对于连续值的预测任务，RMSE常用于度量模型的预测误差。
-
平均绝对误差（Mean Absolute Error，MAE）： 也用于回归任务，MAE是预测值与真实值之间绝对值的平均值。
-
对数损失（Log Loss）： 适用于概率性预测任务，对数损失度量模型对真实标签的预测概率分布的拟合程度。
-
分类错误率（Classification Error）： 表示模型错误分类的样本比例，是准确性的补数。
-
混淆矩阵（Confusion Matrix）： 提供了模型在不同类别上的详细性能信息，包括真正例、假正例、真负例和假负例。
