Significado de las métricas de evaluación en Tensorflow

Soy un principiante en Tensorflow y simplemente sigo un tutorial. No hay ningún problema con mi código, pero tengo una pregunta sobre el resultado

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

Me gustaría saber qué representan "predicción / significado" y "etiqueta / significado".

Todo esto podría ser específico del problema (excepto tal vez la precisión). La mayor parte está documentada aquí :

• precisión: porcentaje del número correcto de clasificaciones
• precision_baseline: línea de base de precisión basada en la media de las etiquetas. Esto es lo mejor que puede hacer el modelo al predecir siempre una clase. ( fuente )
• AUC o Área bajo la curva (ROC) es bastante complicado, pero le dice algo sobre la tasa de verdadero / falso positivo. En resumen: el AUC es igual a la probabilidad de que un clasificador clasifique una instancia positiva elegida aleatoriamente por encima de una instancia negativa elegida aleatoriamente.
• auc_precision_recall: es el porcentaje de instancias relevantes, entre las instancias recuperadas, que se han recuperado sobre la cantidad total de instancias relevantes.
• average_loss: Usualmente está minimizando alguna función, y este es probablemente el valor promedio de esa función dados los lotes actuales.
• Pérdida: el valor actual de la pérdida (como arriba). Ya sea la suma de las pérdidas o la pérdida del último lote.
• global_step: número de iteraciones.
• etiqueta / media y predicción / media: no estoy realmente seguro, pero sospecho que si tiene dos clases, entonces la etiqueta / media es la media de las etiquetas de valor, mientras que predicción / media podría ser el valor de las predicciones correspondientes. (dos clases pueden darle un valor entre 0 y 1)