cnnlstm评价指标

CNN-LSTM（卷积神经网络-长短时记忆网络）是一种结合了时空特征提取能力的深度学习模型，通常用于处理序列数据，比如视频或文本。对于此类模型的评价指标，有以下几个常见的方面：

1. **准确率 (Accuracy)**：分类任务中最直接的评估指标，表示模型预测正确的样本占比。

2. **精确率 (Precision)**：衡量真正例（True Positive, TP）占所有预测为正的样本（Predicted Positive, TP+False Positive, FP）的比例，反映模型防止误报的能力。

3. **召回率 (Recall)**：衡量真正例占所有实际为正的样本（True Positive, TP）的比例，反映了模型发现真正重要的事件的能力。

4. **F1分数 (F1 Score)**：综合考虑精确率和召回率的一个度量，是两者加权平均的结果，尤其在不平衡的数据集中很有用。

5. **AUC-ROC曲线**：主要用于二分类问题，它展示了真阳性率（TPR）与假阳性率（FPR）之间的关系，曲线下面积越大，模型性能越好。

6. **损失函数(Loss)**：如交叉熵损失，常用于监督学习，越低说明模型预测结果越接近真实标签。

7. **困惑矩阵 Confusion Matrix**：直观地展示模型在四个类别（真阴、真阳、假阴、假阳）的表现。