ارزیابی دقیق شبکه های عصبی برای درک عملکرد آنها در وظایف خاص ضروری است. معیارهای مختلف برای اندازه گیری اینکه چگونه یک مدل پیش بینی می کند یا داده ها را طبقه بندی می کند، استفاده می شود.

دقت دقیق

دقت نسبت پیش بینی های صحیح را از تمام پیش بینی های انجام شده اندازه گیری می کند.این با تقسیم تعداد پیش بینی های صحیح توسط تعداد کل پیش بینی ها محاسبه می شود.

برای وظایف طبقه بندی، دقت یک متریک ساده است، به ویژه هنگامی که کلاس ها متعادل هستند، محاسبه می شود:

[[۱] [۱۰] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۲] [۱] [۲] [۱] [۲] [۱] [۲] [۱] [۱] [۱] [۲] [۱]

دقت، یادآوری و امتیاز F1

این معیارها به ویژه برای مجموعه داده های عدم تعادل مفید هستند. Precision درستی پیش بینی های مثبت را اندازه گیری می کند، در حالی که یادآوری توانایی پیدا کردن همه موارد مثبت را اندازه گیری می کند. نمره F1 هر دو را به یک متریک واحد ترکیب می کند.

محاسبه ها به شرح زیر هستند:

  • تصمیم گیری = مثبت واقعی / ( مثبت واقعی + مثبت کاذب)
  • Recall = مثبت واقعی / (True مثبت + False Negatives)
  • [[ویرایش] [۱] [۱۰] [۱۰] [۱] [۱۰] [۱] [۱۰] [۱] [۱] [۱] [۱] [۱۰] [۱] [۲] [۱] [۱۰] [۱] [۱] [۱] [۱۰] [۱] [۱] [۱] [۱] [۱] [۲] [۱] [۱] [۱] [۱] [۱] [۲] [۲] [۲] [۲] [۱] [۱] [۱] [۱] [۲] [۱] [۱] [۱] [۲] [۲] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۲] [۲] [۲] [۲] [۲] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۱] [۱] [۱]

عملی Co قطع عضو

در عمل، این معیارها با استفاده از کتابخانه هایی مانند Scikit-learn در پایتون محاسبه می شوند، پس از به دست آوردن پیش بینی از شبکه عصبی، معیارهای به طور خودکار ارزش های مبتنی بر برچسب های واقعی و برچسب های پیش بینی شده را محاسبه می کنند.

برای مثال، استفاده از Scikit-learn:

از sklearnmetrics دقت واردات score، دقت score، به یاد آوردن score، f1 score

دقت = دقت (y score) (y true, y pred)

به طور مشابه، دقت، یادآوری و نمره F1 با عملکرد مربوطه خود محاسبه می شود.