这两个指标之间没有关系。
损失可以看作是问题的真实值与模型预测的值之间的距离。损失越大，你在数据上犯的错误就越大。

准确性可以看作是您在数据上犯的错误数量。

这意味着：

• 低准确率和巨大损失意味着您在大量数据上犯了巨大错误
  
• 低准确率但低损失意味着您在大量数据上犯的错误很少
  
• 高准确度和低损失意味着您在一些数据上的错误率很低（最好的情况）
  
• 您的情况：准确性很高但损失很大，这意味着您在一些数据上犯了巨大的错误。

对于您的情况，第三个模型可以正确预测更多示例，但在错误的示例上，它会产生更多错误（真实值和预测值之间的距离更大）。

笔记：

不要忘记，低或巨大的损失是一个主观指标，这取决于问题和数据。它是预测的真实值与模型做出的预测之间的距离。这也取决于您使用的损失。

思考：

• 如果你的数据在 0 到 1 之间，0.5 的损失是巨大的，但是如果你的数据在 0 到 255 之间，0.5 的误差是很低的。
  
• 也许想想癌症检测，以及检测癌症的概率。对于这个问题，0.1 的误差可能很大，而图像分类的误差 f 0.1 很好。

实际上，准确率是一个只能应用于分类任务的指标。它描述了正确分类的测试数据的百分比。例如，您有二元分类猫或非猫。如果 100 个测试样本中有 95 个被正确分类（即正确确定图片上是否有猫），那么您的准确率为 95%。顺便说一句，混淆矩阵比准确性更好地描述了您的模型。

损失取决于您如何预测分类问题的类别。例如，您的模型使用概率来预测介于 1 和 0 之间的二元类猫或非猫。因此，如果猫的概率为 0.6，则非猫的概率为 0.4。在这种情况下，图片被分类为猫。损失将是测试图片的真实类别的预测概率与1之间的差值之和。实际上对数损失用于二进制分类，我只是给出了损失的概念。

其他答案很好地定义了准确性和损失。要回答您的第二个问题，请考虑以下示例：

我们有一个问题，将来自平衡数据集的图像分类为包含猫或狗。分类器 1 在 80/100 的情况下给出了正确的答案，而分类器 2 在 95/100 的情况下给出了正确的答案。在这里，分类器 2 显然具有更高的准确度。

然而，在 80 个图像分类器 1 正确时，它非常自信（例如，当它认为图像是一只猫时，它 100% 肯定是这种情况），而在 20 个错误中它完全没有自信（例如，当它说猫图像包含狗时，只有 51% 的人对此有把握）。相比之下，分类器 2 对其 5 个错误答案非常有信心（它 100% 确信实际上显示狗的图像是猫），并且对它正确的 95 个不太有信心。在这种情况下，分类器 2 的损失会更严重。