Η αξιολόγηση της ακρίβειας των νευρωνικών δικτύων είναι απαραίτητη για την κατανόηση της απόδοσης τους σε συγκεκριμένες εργασίες. Διάφορες μετρήσεις χρησιμοποιούνται για τη μέτρηση του πόσο καλά ένα μοντέλο προβλέπει ή ταξινομεί τα δεδομένα.

Ακρίβεια

Η ακρίβεια μετράει το ποσοστό των σωστών προβλέψεων από όλες τις προβλέψεις που έγιναν. Υπολογίζεται με διαίρεση του αριθμού των σωστών προβλέψεων με το συνολικό αριθμό των προβλέψεων.

Για εργασίες ταξινόμησης, η ακρίβεια είναι μια απλή μετρική, ειδικά όταν οι τάξεις είναι ισορροπημένες. Υπολογίζεται ως:

Ακρίβεια = (Αριθμός σωστών προβλέψεων) / (Συνολικές προβλέψεις)

Ακρίβεια, ανάκληση και F1 βαθμολογία

Η ακρίβεια μετράει την ορθότητα των θετικών προβλέψεων, ενώ η ανάκληση μετράει την ικανότητα να βρει όλες τις θετικές περιπτώσεις. Η βαθμολογία F1 συνδυάζει και τις δύο σε μια ενιαία μετρική.

Οι υπολογισμοί είναι οι εξής:

  • Ακριβής εκτίμηση = Αληθινά Θετικά / (Αληθινά Θετικά + Ψευδώς Θετικά)
  • Επανακλήση = Αληθινά Θετικά / (Αληθινά Θετικά + Ψευδώς Αρνητικά)
  • F1 Score = 2 * (Ακριβής * Remember) / (Ακριβής + Remember)[[ΑΦΤ:1]]

Πρακτική Υπολογιστική

Στην πράξη, αυτές οι μετρήσεις υπολογίζονται χρησιμοποιώντας βιβλιοθήκες όπως το scikit-learn σε Python. Μετά την απόκτηση προβλέψεων από το νευρωνικό δίκτυο, οι λειτουργίες μετρικών υπολογίζει αυτόματα τις τιμές που βασίζονται σε πραγματικές ετικέτες και τις προβλεπόμενες ετικέτες.

Για παράδειγμα, χρησιμοποιώντας το scikit-learn:

από το sklearn.metrics εισαγωγή ακρίβειας score, ακρίβεια score, repend score, f1 score

ακρίβεια = ακρίβεια σκορ(y true, y pred)

Ομοίως, η ακρίβεια, η ανάκληση, και F1 βαθμολογία υπολογίζονται με τις αντίστοιχες λειτουργίες τους.