常见的性能评价指标（ACC-7，ACC，F1，MAE ，Corr ）

在多模态情感分析等机器学习任务中，ACC-7、ACC、F1、MAE 和 Corr 是常见的性能评价指标。它们用于评估模型在分类或回归任务中的表现，帮助研究人员和开发人员了解模型的预测准确性、误差大小和预测能力。以下是对这些指标的详细解释：

1. ACC-7（7 类准确率）

ACC-7 指的是模型在 7 类分类任务 中的准确率 (Accuracy)，即模型预测正确的样本占总样本的比例。通常用于多类分类任务，在多模态情感分析中，情感可能被划分为 7 个不同的类别（如强烈负面、负面、中性、正面、强烈正面等）。

• 计算公式：
  $$ACC-7=\frac{\text{正确分类的样本数}}{\text{总样本数}}$$
• 用途：适用于多类情感分类问题，衡量模型在 7 个不同情感类别中的整体分类性能。
• 优点：简单直观，能够直接反映模型在多类别情感分类中的准确性。
• 缺点：当类别不平衡时，准确率可能会失衡，模型可能倾向于对较大类别进行过度预测，导致高的 ACC 但实际分类效果并不好。

2. ACC（准确率）

ACC（Accuracy）是机器学习中最常用的分类性能度量之一，表示模型预测正确的样本所占总样本的比例。

• 计算公式：
  $$ACC=\frac{\text{正确分类的样本数}}{\text{总样本数}}$$
• 用途：常用于二分类或多分类任务，衡量模型的整体分类性能。
• 优点：能够简单直接地反映模型的预测效果。
• 缺点：同样，准确率在类别不平衡的数据集中可能产生误导性，特别是如果某一类样本占大多数，模型可能只需预测这一类就能获得较高的 ACC。

3. F1 分数

F1 分数 是 精确率（Precision）和 召回率（Recall）的调和平均数，常用于衡量分类模型在 不平衡数据 上的表现。它特别适合评估模型在数据类别不平衡时的性能，因为它同时考虑了错误分类的正类和负类样本。

• 计算公式：
  F 1 = 2 × 精确率 × 召回率 精确率 + 召回率