Accuracy: 准确率
机器学习的常用评价指标。定义如下：
Accuracy = (TruePositives + TrueNegatives) / 总样本数
经常和准确率一起出现的，还有精确率和召回率。
- 精确率(Precision) ＝ TP / (TP + FP)。它表示：预测为正的样本中有多少是真正的正样本，它是针对我们预测结果而言的。Precision又称为查准率。
- 召回率(Recall) ＝ TP / (TP + FN)。它表示：样本中的正例有多少被预测正确了， 它是针对我们原来的样本而言的。Recall又称为查全率。
Activation function: 激活函数
一种函数（例如 ReLU 或 Sigmoid），将前一层所有神经元激活值的加权和输入到一个非线性函数中，然后向下一层传递该函数的输出值（典型的非线性）。
如下图，在神经元中，输入的 inputs 通过加权，求和后，还被作用了一个函数，这个函数就是激活函数 Activation Function。
常见的激活函数有：sigmoid、Tanh、ReLU、softmax等
Adagrad：一种优化算法
Adagrad是一种复杂的优化算法（梯度下降算法），它能够在迭代过程中不断地自我调整学习率，并让模型参数中每个元素都使用不同学习率。
AUC: 曲线下面积
AUC（Area Under Curve）也是一种常见的机器学习评价指标，和ROC（Receiver Operating Characteristic）曲线一起常被用来评价一个二值分类器（binary classifier）的优劣。相比准确率、召回率、F-score这样的评价指标，ROC曲线有这样一个很好的特性：当测试集中正负样本的分布变化的时候，ROC曲线能够保持不变。在实际的数据集中经常会出现类不平衡（class imbalance）现象，即负样本比正样本多很多（或者相反），而且测试数据中的正负样本的分布也可能随着时间变化。
AUC值是一个概率值，当你随机挑选一个正样本以及一个负样本，当前的分类算法根据计算得到的Score值将这个正样本排在负样本前面的概率就是AUC值。AUC值越大，当前的分类算法越有可能将正样本排在负样本前面，即能够更好的分类。
如果你觉得还有其他核心基础词汇，欢迎评论补充。
