Η κατανόηση του τρόπου αξιολόγησης των μοντέλων μάθησης μηχανών είναι απαραίτητη για την ανάπτυξη αποτελεσματικών αλγορίθμων. Δύο κοινές μετρήσεις είναι η ακρίβεια και η ακρίβεια.

Τι είναι το Μοντέλο Ακρίβειας;

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

Ο τύπος για την ακρίβεια είναι:

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

Η ακρίβεια είναι χρήσιμη όταν το σύνολο δεδομένων έχει ισορροπημένες τάξεις, αλλά μπορεί να είναι παραπλανητική αν οι τάξεις είναι ανισορροπημένες.

Τι είναι η ακρίβεια μοντέλου;

Η ακρίβεια μετράει το ποσοστό των αληθινών θετικών προβλέψεων από όλες τις θετικές προβλέψεις που κάνει το μοντέλο.

Ο τύπος για ακρίβεια είναι:

Ακριβής θετική μέτρηση = (Αληθινά θετικά) / (Αληθινά θετικά + ψευδώς θετικά)

Η υψηλή ακρίβεια σημαίνει ότι όταν το μοντέλο προβλέπει θετικό, είναι συνήθως σωστό.

Πώς να υπολογίσετε αυτές τις μετρικές

Για να υπολογίσετε την ακρίβεια και την ακρίβεια, χρειάζεστε μια μήτρα σύγχυσης, η οποία συνοψίζει τα αποτελέσματα πρόβλεψης σε τέσσερις κατηγορίες: αληθινά θετικά, αληθινά αρνητικά, ψευδώς θετικά, και ψευδώς αρνητικά.

Όταν έχετε αυτές τις τιμές, συνδέστε τις στις φόρμουλες για να υπολογίσετε τις μετρήσεις. Πολλές βιβλιοθήκες μηχανικής μάθησης, όπως το scikit-learn, παρέχουν λειτουργίες για τον υπολογισμό της ακρίβειας και ακρίβειας άμεσα.

  • Πίνακας σύγχυσης
  • Αληθινά θετικά (TP)
  • Ψευδώς θετικά (FP)
  • Αληθινά αρνητικά (TN)
  • Ψευδώς αρνητικά (FN)