Η κατανόηση του τρόπου αξιολόγησης της απόδοσης των μοντέλων νευρωνικού δικτύου είναι απαραίτητη για την ανάπτυξη αποτελεσματικών λύσεων μηχανικής μάθησης.

Βασική απόδοση μετρικών

Αρκετές μετρήσεις χρησιμοποιούνται για την αξιολόγηση των μοντέλων νευρωνικού δικτύου, το καθένα παρέχει διαφορετικές διορατικές πληροφορίες για την απόδοση του μοντέλου.

Υπολογισμός Ακρίβειας

Η ακρίβεια μετράει το ποσοστό των σωστών προβλέψεων από όλες τις προβλέψεις που έγιναν.

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

Άλλοι Μετρικοί και οι Υπολογισμοί Τους

Η ακρίβεια δείχνει το ποσοστό των αληθινών θετικών προβλέψεων μεταξύ όλων των θετικών προβλέψεων, ενώ η ανάκληση μετρά το ποσοστό των πραγματικών θετικών που προσδιορίζονται σωστά.

Η βαθμολογία F1 συνδυάζει την ακρίβεια και την ανάκληση σε μία μόνο μετρική, υπολογιζόμενη ως ο αρμονικός μέσος των δύο:

F1 Score = 2 * (Ακριβής * Remember) / (Ακριβής + Remember)[[ΑΦΤ:1]]

Χρήση του Matrix Confusion

Η μήτρα σύγχυσης συνοψίζει τα αποτελέσματα πρόβλεψης κατηγοριοποιώντας τα αποτελέσματα σε αληθινά θετικά, ψευδώς θετικά, αληθινά αρνητικά, και ψευδώς αρνητικά.

  • Αληθινό θετικό (TP)
  • Ψευδώς θετικό (FP)
  • Αληθινό Αρνητικό (TN)
  • Ψευδώς αρνητικό (FN)