拼接聚合（Concatenation Aggregation）：将多个输入或中间特征沿着某个维度进行连接，得到一个更高维度的特征向量。在神经网络中，聚合（aggregation）是指将多个输入或中间特征进行合并或汇总的操作。这种聚合常用于卷积神经网络（CNN）中的空间特征汇聚。聚合操作的目的是将分散的信息整合在一起，以提供更全面和综合的特征表示，从而增强神经网络的表达能力和预测性能。最大聚合（Ma

AUROC关注的是模型的分类能力，特别是在不同概率阈值下，模型的真正例率（True Positive Rate，也称为召回率）与假正例率（False Positive Rate）之间的权衡。：AUROC通常适用于具有不平衡类分布的二分类问题，特别是当你关心模型对负类样本的误分类情况，并且对不同概率阈值下的性能有兴趣时。如果你的问题涉及到不平衡类分布，尤其是当负类别样本数量远远大于正类别样本数量时，

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）。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。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。精确度是指在所有被模型预测为正例

AUROC关注的是模型的分类能力，特别是在不同概率阈值下，模型的真正例率（True Positive Rate，也称为召回率）与假正例率（False Positive Rate）之间的权衡。：AUROC通常适用于具有不平衡类分布的二分类问题，特别是当你关心模型对负类样本的误分类情况，并且对不同概率阈值下的性能有兴趣时。如果你的问题涉及到不平衡类分布，尤其是当负类别样本数量远远大于正类别样本数量时，

深度 Q 网络（Deep Q-Network，DQN）是一种结合了深度学习和强化学习的方法，用于解决离散状态和离散动作空间的强化学习问题。DQN 的核心思想是使用深度神经网络来近似 Q 函数，从而学习复杂环境中的最优策略。以下是 DQN 的主要特点和工作原理：Q-Value 函数的逼近： DQN 使用一个深度神经网络来逼近 Q 函数。神经网络接收环境的状态 s 作为输入，并输出每个可能动作 a 的

这些指标提供了关于分类模型性能的综合信息，可以帮助评估模型在不同方面的表现。是用于评估分类模型性能的表格，它展示了模型在不同类别上的预测情况。假设有两个类别：正例（Positive）和负例（Negative）。实际为正例的样本中被正确预测为正例的比例，计算公式为。分类正确的样本数占总样本数的比例，计算公式为。正例预测正确的比例，计算公式为。

的过程，它将数据中的每个元素（如词、图像或其他实体）转换为一个向量形式。特征可以是原始数据的某些统计量、转换后的数值、提取的模式等。特征是对数据的一种抽象表示，用于提供对数据的有意义的描述和区分。在机器学习和深度学习中，"嵌入"（embedding）、"表示"（representation）和"特征"（features）是相关的概念，它们描述了数据的不同表征形式或表示方式。综上所述，嵌入是数据的低

mini-batch 是一个相对较小的数据子集，用于训练过程中的迭代更新，而 batch 是整个训练数据集的一次性处理。模型使用每个 mini-batch 的样本来进行前向传播、计算损失和反向传播，然后根据这些样本的梯度更新模型的参数。使用 mini-batch 的主要目的是。在每次迭代时，模型使用整个训练数据集的样本进行前向传播、计算损失和反向传播，然后根据这些样本的梯度更新模型的参数。相比于

AUROC关注的是模型的分类能力，特别是在不同概率阈值下，模型的真正例率（True Positive Rate，也称为召回率）与假正例率（False Positive Rate）之间的权衡。：AUROC通常适用于具有不平衡类分布的二分类问题，特别是当你关心模型对负类样本的误分类情况，并且对不同概率阈值下的性能有兴趣时。如果你的问题涉及到不平衡类分布，尤其是当负类别样本数量远远大于正类别样本数量时，

深度 Q 网络（Deep Q-Network，DQN）是一种结合了深度学习和强化学习的方法，用于解决离散状态和离散动作空间的强化学习问题。DQN 的核心思想是使用深度神经网络来近似 Q 函数，从而学习复杂环境中的最优策略。以下是 DQN 的主要特点和工作原理：Q-Value 函数的逼近： DQN 使用一个深度神经网络来逼近 Q 函数。神经网络接收环境的状态 s 作为输入，并输出每个可能动作 a 的