分类和回归问题中常见的评价指标

常见的评价指标包括：

准确率（Accuracy）：该指标用于分类问题，表示模型正确分类的样本数占总样本数的比例。
在Keras中的字符串表示为：‘accuracy’

精确率（Precision）：该指标用于分类问题，表示模型正确预测为正类的样本数占预测为正类的样本总数的比例。
在Keras中的字符串表示为：‘precision’

召回率（Recall）：该指标用于分类问题，表示模型正确预测为正类的样本数占真实为正类的样本总数的比例。
在Keras中的字符串表示为：‘recall’

F1分数（F1 Score）：该指标综合了精确率和召回率，是二者的调和平均数，可以更全面地评估模型的性能。
在Keras中的字符串表示为：‘f1_score’

均方误差（Mean Squared Error，MSE）：该指标用于回归问题，表示模型预测值与真实值之间的平均平方误差。
在Keras中的字符串表示为：‘mse’

平均绝对误差（Mean Absolute Error，MAE）：该指标用于回归问题，表示模型预测值与真实值之间的平均绝对误差。
在Keras中的字符串表示为：‘mae’