Η αξιολόγηση της απόδοσης των εποπτευόμενων μοντέλων μάθησης είναι απαραίτητη για να κατανοήσουμε την αποτελεσματικότητά τους. Διάφορες μετρήσεις χρησιμοποιούνται για να μετρηθεί πόσο καλά ένα μοντέλο προβλέπει αποτελέσματα με βάση τα στοιχεία που επισημαίνονται.

Κοινή Μέτρις Απόδοσης

Η επιλογή της μετρικής εξαρτάται από τον τύπο του προβλήματος, όπως η ταξινόμηση ή παλινδρόμηση. Κατανόηση αυτών των μετρικών επιτρέπει την καλύτερη ερμηνεία των αποτελεσμάτων του μοντέλου.

Μετρικοί για ταξινόμηση

Στις εργασίες ταξινόμησης, οι κοινές μετρήσεις περιλαμβάνουν ακρίβεια, ακρίβεια, ανάκληση και βαθμολογία F1. Αυτές οι μετρήσεις αξιολογούν διαφορετικές πτυχές της ικανότητας του μοντέλου να προβλέπει σωστά τις ετικέτες κλάσης.

Ακρίβεια

Η ακρίβεια μετράει το ποσοστό των σωστών προβλέψεων από τις συνολικές προβλέψεις.

Ακρίβεια = (Αληθινά θετικά + Αληθινά αρνητικά) / Σύνολο προκαταβολών

Ακρίβεια και Ανάκληση

Η ακρίβεια δείχνει το ποσοστό των θετικών προβλέψεων που είναι σωστές, ενώ η ανάκληση μετράει το ποσοστό των πραγματικών θετικών που προσδιορίζονται σωστά. Υπολογίζεται ως:

Ακριβής εκτίμηση = Αληθινά Θετικά / (Αληθινά Θετικά + Ψευδώς Θετικά)

Επανακλήση = Αληθινά Θετικά / (Αληθινά Θετικά + Ψευδώς Αρνητικά)

Μετρική για Παλινδρόμηση

Τα μοντέλα οπισθοδρόμησης αξιολογούνται χρησιμοποιώντας μετρήσεις όπως το μέσο απόλυτο σφάλμα (MAE), το μέσο τετραγωνικό σφάλμα (MSE), και το R-τετράγωνο. Αυτές οι μετρήσεις ποσοτικοποιούν τη διαφορά μεταξύ των προβλεπόμενων και των πραγματικών συνεχών τιμών.

Μέσο απόλυτο σφάλμα (MAE)

Η MAE υπολογίζει τη μέση απόλυτη διαφορά μεταξύ των προβλεπόμενων και των πραγματικών τιμών:

MAE = Σ

Τετραγωνικά R

Το R-τετράγωνο δείχνει το ποσοστό διακύμανσης στην εξαρτώμενη μεταβλητή που εξηγείται από το μοντέλο. κυμαίνεται από 0 έως 1, με υψηλότερες τιμές που δείχνουν καλύτερη εφαρμογή.

Οι μετρήσεις αυτές παρέχουν ποσοτική βάση για την αξιολόγηση και τη σύγκριση των επιδόσεων του μοντέλου σε εποπτικά καθήκοντα μάθησης.