Det er vigtigt at vurdere, om de pågældende net er i overensstemmelse med deres specifikke opgaver.

Nøjagtighed

Det er korrekt, at de forholdsmæssigt anvendte korrigerede forudsigelser er baseret på de samlede prognoser.

Det er en enkel metode, især når det drejer sig om at foretage en analyse af de enkelte opgaver.

(1); (1); (2); (3); (3); (3); (3); (3); (3); (3); (3); (3); (4); (4); (4); (5); (5); (5); (5); (6); (6); (6); (6); (6); (6); (6); (6); (6); (6); (6); (6); 6);

Precision, Recall, and d F1 Score

Disse metrics er særlig nyttige for ubalancerede data. Præcise målinger er de rette forudsigelser, som igen måler de evner, der er alle positive instanser.

Beregninger er følgende:

  • (True Positives + False Positives) (1); FLT: 1;
  • = True Positives / (True Positives + False Negatives)
  • 1; 1; FLT: 0; 3; F1 Score = 2 * (Precision * Recall) / (Precision + Recall)

Practical Computation

Det er praksis, disse metrics are beregne bruger i g bibliotekaries såsom As scikit-learn i Pythan. After obtainin forudsigelser from thee neural network, disse metrics functions automatic calculaty thee values based d o rue labels and d predicted labels.

Før example, using scikit-learn:

1; FLT: 0; FLT: 0; FLT: 0; FLT: 1; FLT: 1; FLT: 3; FLT: 1; FLT: 3; FLT: 1; FLT: 3; FLT: 3; FLT: 3; FLT: 1; FLT: 3; FLT: 1; FLT: 3; FLT: 1; FLT: 3; FLT: 3; FLT: 3; FLT: 3; FLT: 3; FY: 3; FY: 3; FY: 3; FY: 3; FY: 3; FY: 3; FY: 3; FY: 3; FY: 3; 3; 3; 3; 3; FY: 3; FY: 3; FY: 3; 3; 3; 3; 3; 3; 3; 3; 3; 3; 3; 3; 3; 3; 3; 3; 3; 3; 3; 3; 3; 3; 3; 3; 3; 3; 3; 3; 3; 3; 3; 3; 3; 3; 3; 3; 3; 3; 3;

1; FLT: 0; Nøjagtighed = Nøjagtighed _ score (y _ true, y _ pred); FLT: 1;

Ligegyldigt, præcist, reol, og F1 score re beregnet med deres respektive funktioner.