Cuantificación del rendimiento del modelo en el aprendizaje supervisado: métricas y cálculos

Es esencial evaluar el rendimiento de los modelos de aprendizaje supervisados para comprender su eficacia. Se utilizan varias métricas para medir qué tan bien un modelo predice los resultados basados en datos etiquetados. Estas métricas ayudan a comparar los modelos y seleccionar el mejor para una tarea específica.

Metrices de rendimiento comunes

Varias métricas se utilizan ampliamente para evaluar los modelos de aprendizaje supervisados. La elección de métrica depende del tipo de problema, como la clasificación o regresión. Entender estas métricas permite una mejor interpretación de los resultados modelo.

Metrices para la clasificación

En tareas de clasificación, las métricas comunes incluyen precisión, precisión, memoria y puntuación F1. Estas métricas evalúan diferentes aspectos de la capacidad del modelo para predecir correctamente las etiquetas de clase.

Precisión

La precisión mide la proporción de las predicciones correctas de las predicciones totales. Se calcula como:

Predicción = (Positivos Verdaderos + Negativos Verdaderos) / Predicciones Totales

Precisión y revocación

La precisión indica la proporción de predicciones positivas que son correctas, mientras que la revocación mide la proporción de los positivos reales correctamente identificados. Se calculan como:

Precisión = Positivos Verdaderos / (Positivos Verdaderos + Positivos Falsos)]

Recall = True Positives / (True Positives + False Negatives)

Metrices para la regresión

Los modelos de regresión se evalúan utilizando métricas como Error Absoluto (MAE), Error Cuadrado Medio (MSE), y cuadrícula R. Estas métricas cuantifican la diferencia entre los valores continuos previstos y reales.

Error absoluto (MAE)

MAE calcula la diferencia absoluta promedio entre los valores predichos y reales:

MAE = NOVSOPEROPredicado - Actualidad sobre la vida / Número de predicciones]

R-cuadrado

R-squared indica la proporción de la varianza en la variable dependiente explicada por el modelo. Va desde 0 hasta 1, con valores superiores que indican mejor ajuste.

Estas métricas proporcionan una base cuantitativa para evaluar y comparar el rendimiento de los modelos en las tareas de aprendizaje supervisadas.