1，F1=2*(准確率*召回率)/(准確率+召回率)
F1的值是精准率與召回率的調和平均數。F1的取值范圍從0到1的數量越大，表明實現越理想。
Precision（精准率）=TP/(TP+FP)
Recall（召回率）= TP/(TP+FN)
2，均方誤差（MSE，Mean Square error）
是回歸精度的常用評價指標
MSE = 1/n * sum(yi-f(xi))2 其中，yi為實際值，f(xi) 為y的預測值，n為觀測值數量。
免責聲明！
本站轉載的文章為個人學習借鑒使用，本站對版權不負任何法律責任。如果侵犯了您的隱私權益，請聯系本站郵箱yoyou2525@163.com刪除。
猜您在找
回歸評價指標MSE、RMSE、MAE、R-Squared
回歸評價指標MSE、RMSE、MAE、R-Squared
回歸評價指標---MSE、RMSE、MAE、R-Squared
回歸評價指標MSE、RMSE、MAE、R-Squared
預測評價指標RMSE、MSE、MAE、MAPE、SMAPE
機器學習算法中的評價指標（准確率、召回率、F值、ROC、AUC等）
【筆記】衡量線性回歸法的指標 MSE,RMS,MAE以及評價回歸算法 R Square
機器學習常見的幾種評價指標：精確率（Precision）、召回率（Recall）、F值（F-measure）、ROC曲線、AUC、准確率（Accuracy）
評價指標的計算：accuracy、precision、recall、F1-score等
分類問題的幾個評價指標（Precision、Recall、F1-Score、Micro-F1、Macro-F1