Significato delle metriche di valutazione in Tensorflow

Sono praticamente un principiante a Tensorflow e seguo semplicemente un tutorial. Non ci sono problemi con il mio codice, ma ho una domanda sull'output

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

Vorrei sapere cosa rappresentano "previsione / significato" e "etichetta / significato"?

Tutti questi potrebbero essere specifici del problema (tranne forse la precisione). La maggior parte è documentata qui :

• accuratezza: percentuale del numero corretto di classificazioni
• accurate_baseline: baseline di precisione basata sulla media delle etichette. Questo è il massimo che il modello potrebbe fare prevedendo sempre una classe. ( fonte )
• AUC o Area Under the (ROC) Curve è piuttosto complicato, ma ti dice qualcosa sul tasso di vero / falso positivo. In breve: l'AUC è uguale alla probabilità che un classificatore classifichi un'istanza positiva scelta casualmente più alta di una istanza negativa scelta casualmente.
• auc_precision_recall: è la percentuale di istanze rilevanti, tra le istanze recuperate, che sono state recuperate rispetto alla quantità totale di istanze rilevanti.
• average_loss: di solito stai minimizzando alcune funzioni, e questo è probabilmente il valore medio di quella funzione dati i batch correnti.
• perdita: il valore corrente della perdita (come sopra). La somma delle perdite o la perdita dell'ultimo lotto.
• global_step: numero di iterazioni.
• etichetta / media e previsione / media: non sono proprio sicuro, ma sospetto che se si hanno due classi, l'etichetta / media è la media delle etichette dei valori, mentre la previsione / media potrebbe essere il valore delle previsioni corrispondenti. (due classi potrebbero darti un valore compreso tra 0 e 1)