在TensorFlow中，常用的模型評估指標包括：
準確率（Accuracy）：模型預測正確的樣本數量占總樣本數量的比例。
精確率（Precision）：在所有被預測為正類別的樣本中，實際為正類別的比例。
召回率（Recall）：在所有實際為正類別的樣本中，被正確預測為正類別的比例。
F1分數（F1 Score）：精確率和召回率的調和平均數，綜合考慮了模型的準確率和召回率。
AUC值（Area Under the Curve）：ROC曲線下的面積，用于評估二分類模型的性能。
混淆矩陣（Confusion Matrix）：用于展示模型在不同類別上的預測結果，包括真正例、假正例、真負例和假負例。
ROC曲線（Receiver Operating Characteristic curve）：用于可視化二分類模型在不同閾值下的召回率和假正例率之間的權衡。
PR曲線（Precision-Recall curve）：用于評估二分類模型在不同閾值下的精確率和召回率之間的權衡。
這些評估指標可以幫助我們全面評估模型在不同方面的性能表現，選擇最適合任務需求的模型。
