ويعد تقييم دقة الشبكات العصبية أمرا أساسيا لفهم أدائها لمهام محددة، وتستخدم مقاييس مختلفة لقياس مدى جودة التنبؤ بالنموذج أو تصنيف البيانات، وتناقش هذه المادة القياسات المشتركة وكيفية حسابها عمليا.

Accuracy

ويقيّم الاستحقاق نسبة التنبؤات الصحيحة من جميع التنبؤات التي تمّت، ويحسب بتقسيم عدد التنبؤات الصحيحة حسب العدد الإجمالي للتنبؤات.

وفيما يتعلق بمهام التصنيف، فإن الدقة هي مقياس مستقيم، لا سيما عندما تكون الفصول متوازنة، ويحسب على أنها:

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

الدقة، والرش، والكشافة

وهذه القياسات مفيدة بوجه خاص بالنسبة لمجموعات البيانات غير المتوازنة، إذ تُقيس بدقة صحة التنبؤات الإيجابية، بينما تُذكِّر بالقدرة على إيجاد جميع الحالات الإيجابية، وتُجمع النتيجة من الفئة واو-1 بين كل من مقياس واحد.

وفيما يلي الحسابات:

  • Precision = True Positives / (True Positives + False Positives)]
  • Recall = True Positives / (True Positives + False Negatives)]
  • F1 Score = 2 * (Precision * Recall) / (Precision + Recall)]

الحوسبة العملية

وفي الممارسة العملية، تُحسب هذه القياسات باستخدام مكتبات مثل شبكة التعلم في بيتون، وبعد الحصول على التنبؤات من الشبكة العصبية، تقوم القياسات تلقائياً بحساب القيم القائمة على العلامات الحقيقية والعلامات المتوقعة.

على سبيل المثال، باستخدام التلقيم المحسوب:

from sklearn.metrics import accuracy score, precision score, recall score, f1 score]

accuracy = accuracy score (y true, y pred)]

وبالمثل، فإن الدقة والتذكر والسجلات من الفئة واو-1 تُحسب حسب مهام كل منها.