迁移学习的性能指标：准确率、召回率与F1值，评估模型性能

# 1. 迁移学习性能指标概览

迁移学习是一种机器学习技术，它利用预先训练的模型来解决新的任务。为了评估迁移学习模型的性能，需要使用合适的性能指标。这些指标可以衡量模型在不同方面的能力，如准确性、泛化能力和鲁棒性。

本篇文章将介绍迁移学习中常用的性能指标，包括准确率、召回率、F1值等。我们将探讨这些指标的理论基础，并在迁移学习的实践中讨论它们的应用。此外，我们还将探讨性能指标的局限性，以及如何扩展它们以满足特定需求。

# 2. 召回率与 F1 值的理论基础

### 2.1 准确率：衡量模型正确预测能力

**定义：**
准确率（Accuracy）衡量模型正确预测样本数量占总样本数量的比例。

**公式：**

准确率 = (正确预测样本数) / (总样本数)

**解释：**
准确率反映了模型对样本整体预测的正确性。高准确率表明模型能够准确区分不同类别。

**代码示例：**

from sklearn.metrics import accuracy_score

y_true = [0, 1, 0, 1]
y_pred = [0, 1, 1, 0]
accuracy = accuracy_score(y_true, y_pred)
print("准确率：", accuracy)

### 2.2 召回率：衡量模型识别正例的能力

**定义：**
召回率（Recall）衡量模型正确预测正例（真实为正例）数量占所有真实正例数量的比例。

**公式：**

召回率 = (正确预测的正例数) / (所有真实正例数)

**解释：**
召回率反映了模型识别正例的能力。高召回率表明模型能够有效识别出所有真实的正例。

**代码示例：**

from sklearn.metrics import recall_score

y_true = [0, 1, 0, 1]
y_pred = [0, 1, 1, 0]
recall = recall_score(y_true, y_pred)
print("召回率：", recall)

### 2.3 F1 值：准确率和召回率的综合指标

**定义：**
F1 值是准确率和召回率的加权调和平均值，用于综合衡量模型的性能。

**公式：**

F1 值 = 2 * (准确率 * 召回率) / (准确率 + 召回率)

**解释：**
F1 值兼顾了准确率和召回率，既考虑了模型正确预测的能力，也考虑了识别正例的能力。高 F1 值表明模型在整体性能上表现良好。

**代码示例：**

from sklearn.metrics import f1_sco