Bewertung der Genauigkeit neuronaler Netzwerke: Gemeinsame Metriken und ihre praktische Berechnung

Die Bewertung der Genauigkeit neuronaler Netze ist für das Verständnis ihrer Leistung bei bestimmten Aufgaben von wesentlicher Bedeutung. Verschiedene Metriken werden verwendet, um zu messen, wie gut ein Modell Daten vorhersagt oder klassifiziert. Dieser Artikel diskutiert gängige Metriken und wie sie praktisch berechnet werden.

Genauigkeit

Die Genauigkeit misst den Anteil der korrekten Vorhersagen aller getroffenen Vorhersagen und wird berechnet, indem die Anzahl der korrekten Vorhersagen durch die Gesamtzahl der Vorhersagen geteilt wird.

Für Klassifizierungsaufgaben ist Genauigkeit eine einfache Metrik, insbesondere wenn Klassen ausgeglichen sind.

Genauigkeit = (Anzahl der korrekten Vorhersagen) / (Gesamtprognosen)

Präzision, Rückruf und F1-Score

Diese Metriken sind besonders nützlich für unausgewogene Datensätze. Präzision misst die Richtigkeit positiver Vorhersagen, während Rückruf die Fähigkeit misst, alle positiven Instanzen zu finden. Der F1-Score kombiniert beide in einer einzigen Metrik.

Die Berechnungen lauten wie folgt:

• Präzision = True Positives / (True Positives + False Positives)
• Recall = True Positives / (True Positives + False Negatives)
• F1 Score = 2 * (Präzision * Rückruf) / (Präzision + Rückruf)

Praktische Berechnung

In der Praxis werden diese Metriken mithilfe von Bibliotheken wie scikit-learn in Python berechnet, wobei die Metrikfunktionen nach Erhalt von Vorhersagen aus dem neuronalen Netz die Werte automatisch auf der Grundlage von echten und vorhergesagten Labels berechnen.

Zum Beispiel mit scikit-learn:

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

accuracy = accuracy score(y true, y pred)

In ähnlicher Weise werden Präzision, Rückruf und F1-Score mit ihren jeweiligen Funktionen berechnet.