模型精度也叫模型准确性，是衡量机器学习 (ML) 模型基于数据做出预测或决策的能力的指标。它是用于评估 ML 模型性能的常用指标，可用于比较不同模型的性能或评估特定模型对于给定任务的有效性。
有多种不同的方法来衡量模型的准确性，具体取决于机器学习模型的类型和要解决的问题的性质。一些常见的方法包括分类精度、均方误差和平均绝对误差。
分类准确率是分类任务模型准确率的常用衡量标准，定义为模型做出正确预测的比例。它通常是通过将正确预测的数量除以模型做出的预测的总数来计算的。
均方误差 (MSE) 和平均绝对误差 (MAE) 通常用于衡量回归模型的准确性，回归模型用于预测连续值。 MSE 定义为预测值与真实值之间的平方差的平均值，而 MAE 定义为预测值与真实值之间的绝对差的平均值。
除了这些指标之外，使用其他模型准确性度量也很常见，例如精度、召回率和 F1 分数，这些对于不平衡的分类任务特别有用。
总体而言，模型准确性是评估机器学习模型性能的重要指标，用于评估不同模型的有效性并比较其性能。
【1】https://encord.com/glossary/model-accuracy-definition/