Beaufsichtigtes Lernen beinhaltet Trainingsmodelle, um Vorhersagen auf der Grundlage von markierten Daten zu treffen. Die Bewertung der Leistung dieser Modelle erfordert die Berechnung verschiedener Genauigkeits- und Fehlermetriken. Diese Metriken helfen zu bestimmen, wie gut das Modell Ergebnisse vorhersagt und Bereiche für Verbesserungen identifiziert.

Genauigkeit der Vorhersage verstehen

Die Vorhersagegenauigkeit misst den Anteil der korrekten Vorhersagen des Modells. Sie wird üblicherweise für Klassifizierungsaufgaben verwendet, bei denen die Ergebnisse kategorisch sind. Eine höhere Genauigkeit zeigt eine bessere Modellleistung an.

Um die Genauigkeit zu berechnen, teilen Sie die Anzahl der korrekten Vorhersagen durch die Gesamtzahl der Vorhersagen:

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

Häufige Fehlermetriken

Bei Regressionsaufgaben, bei denen Vorhersagen kontinuierliche Werte sind, quantifizieren Fehlermetriken die Differenz zwischen vorhergesagten und tatsächlichen Werten, wobei die üblichen Metriken den Mean Absolute Error (MAE), den Mean Squared Error (MSE) und den Root Mean Squared Error (RMSE) umfassen.

Diese Metriken werden wie folgt berechnet:

  • MAE: Durchschnitt der absoluten Unterschiede zwischen vorhergesagten und tatsächlichen Werten.
  • MSE: Durchschnitt der quadrierten Differenzen zwischen vorhergesagten und tatsächlichen Werten.
  • RMSE: Quadratwurzel von MSE, Fehler in ursprünglichen Einheiten liefernd.

Niedrigere Werte für diese Metriken zeigen eine bessere Modellleistung.

Metrics in der Praxis umsetzen

Die meisten Bibliotheken für maschinelles Lernen bieten Funktionen, um diese Metriken leicht zu berechnen. z. B. werden in Pythons scikit-learn-Bibliothek Funktionen wie , und häufig verwendet.

Es ist wichtig, die geeignete Metrik basierend auf dem Aufgabentyp - Klassifizierung oder Regression - und den spezifischen Zielen der Modellbewertung auszuwählen.