1，F1=2*(准确率*召回率)/(准确率+召回率)
F1的值是精准率与召回率的调和平均数。F1的取值范围从0到1的数量越大，表明实现越理想。
Precision（精准率）=TP/(TP+FP)
Recall（召回率）= TP/(TP+FN)
2，均方误差（MSE，Mean Square error）
是回归精度的常用评价指标
MSE = 1/n * sum(yi-f(xi))2 其中，yi为实际值，f(xi) 为y的预测值，n为观测值数量。
免责声明！
本站转载的文章为个人学习借鉴使用，本站对版权不负任何法律责任。如果侵犯了您的隐私权益，请联系本站邮箱yoyou2525@163.com删除。
猜您在找
回归评价指标MSE、RMSE、MAE、R-Squared
回归评价指标MSE、RMSE、MAE、R-Squared
回归评价指标---MSE、RMSE、MAE、R-Squared
回归评价指标MSE、RMSE、MAE、R-Squared
预测评价指标RMSE、MSE、MAE、MAPE、SMAPE
机器学习算法中的评价指标（准确率、召回率、F值、ROC、AUC等）
【笔记】衡量线性回归法的指标 MSE,RMS,MAE以及评价回归算法 R Square
机器学习常见的几种评价指标：精确率（Precision）、召回率（Recall）、F值（F-measure）、ROC曲线、AUC、准确率（Accuracy）
评价指标的计算：accuracy、precision、recall、F1-score等
分类问题的几个评价指标（Precision、Recall、F1-Score、Micro-F1、Macro-F1