ويشمل التعليم المشرف نماذج تدريبية لوضع التنبؤات استنادا إلى البيانات المسمّاة، ويتطلب تقييم أداء هذه النماذج حساب مختلف مقاييس الدقة والأخطاء، وتساعد هذه القياسات على تحديد مدى نجاح النموذج في التنبؤ بالنتائج وتحديد المجالات التي يتعين تحسينها.

فهم الحيازة

ويقيِّم المقاييس الجاهزة نسبة التنبؤات الصحيحة التي يُقدَّم بها النموذج، وهي تستخدم عادة في مهام التصنيف التي تكون فيها النتائج قاطعة، ويدل ارتفاع الدقة على أداء نموذجي أفضل.

ولحساب الدقة، يقسم عدد التنبؤات الصحيحة حسب العدد الإجمالي للتنبؤات:

Accuracy = (عدد الفرضيات الصحيحة)/(الاختصاصات الإجمالية) ]

مقاييس الرعب المشتركة

وفيما يتعلق بمهام الانحدار، حيث تكون التنبؤات قيما مستمرة، تحدد قياسات الخطأ الفارق بين القيم المتوقعة والقيم الفعلية، وتشمل القياسات المشتركة الرعب المطلق، والأعصاب الميّنة، والأعصاب المميتة، والأعصاب المزروعة.

وتحسب هذه القياسات على النحو التالي:

  • MAE:] متوسط الاختلافات المطلقة بين القيم المتوقعة والقيم الفعلية.
  • MSE:] متوسط الاختلافات المربعة بين القيم المتوقعة والقيم الفعلية.
  • RMSE: ] Square root of MSE, providing error in original units.

وتشير القيم المنخفضة لهذه القياسات إلى أداء نموذجي أفضل.

تطبيق القياسات في الممارسة

معظم مكتبات التعلم الآلي توفر وظائف لحساب هذه القياسات بسهولة، على سبيل المثال، في مكتبة بيتون للتعلم، وظائف مثل ، ، و ] تستخدم عادة.

ومن المهم اختيار القياس المناسب القائم على تصنيف المهام أو تراجعها، والأهداف المحددة للتقييم النموذجي.