实验效果的主要评价指标不包括
评价实验效果的主要指标包括准确率、精确率、召回率、F1值、均方根误差、平均绝对误差、相关系数、AUC、训练时间、内存占用等。
1、准并册确率（Accuracy）：衡量模型在分类任务中正确预测的样本比例。
2、精确率（Precision）：评估模型将正类预测为正类的能力，即真阳性/（真阳性+假阳性）。
3、召回率（Recall）：评估模型正确检测出正类的能力，即真阳性/（真阳性+假阴性）。
4、F1值（F1-score）：综合考虑了精确率和召回率的指标，可以平衡两者之间的关系。
5、均方根误差（Root Mean Squared Error, RMSE）：用于回归任务中，衡量预测值与实际值之间的误差。
6、平均绝对误差（Mean Absolute Error, MAE）：也用于回归任务中，衡量预测值与实际值之间的平均绝对误差。
7、相关系数（Correlation coefficient）：用于衡量变贺戚量之间的相关性。常用的相关系数包括皮尔逊相关系数和斯皮尔曼相关系数。
8、AUC（Area Under Curve）：用于评估二分类模型的性绝拍宏能，表示ROC曲线下的面积。
9、训练时间（Training Time）：评估模型训练所花费的时间，通常用于比较不同算法的效率。
10、内存占用（Memory Usage）：评估模型在运行过程中所需要的内存空间。
评估实验的准确性方法
1、标注数据：使用标注数据进行对比和验证。将一部分数据标注为正确答案或真实情况，然后将模型的预测结果与标注数据进行比较，计算准确率或其他相关指标。
2、交叉验证：将数据集分成训练集和测试集，在训练集上训练模型，在测试集上评估模型的表现。可以使用不同的评价指标，如准确率、精确率、召回率等。
3、对照实验：在同样的实验条件下，进行对照实验来比较不同模型或方法的准确性。例如，可以将新模型与已有的经典模型进行对比，评估其准确性是否有所提升。
