Table of Contents
ارزیابی عملکرد مدل های یادگیری ماشین برای درک اثربخشی آنها ضروری است.در یادگیری نظارت شده، معیارهایی مانند دقت، دقت و یادآوری معمولا برای اندازه گیری اینکه چگونه یک مدل پیش بینی نتایج 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.
در حالی که دقت مفید است، می تواند در مجموعه داده های عدم تعادل گمراه کننده باشد که در چنین مواردی، معیارهای دیگر بینش بهتری در مورد عملکرد مدل ارائه می دهند.
دقت و یادآوری
دقت نشان دهنده نسبت پیش بینی های مثبت واقعی در میان تمام پیش بینی های مثبت که توسط مدل انجام شده است، نشان دهنده توانایی مدل برای جلوگیری از مثبت کاذب است.
به یاد داشته باشید که همچنین به عنوان حساسیت شناخته می شود، نسبت مثبت های واقعی را که به درستی توسط مدل شناسایی شده اند اندازه گیری می کند.این نشان می دهد که چگونه مدل موارد مثبت را تشخیص می دهد.
محاسبه متریک ها
این معیارها از ماتریس سردرگمی مشتق شده اند که خلاصه های مثبت واقعی (TP)، مثبت کاذب (FP)، منفی های واقعی (TN)، و منفی کاذب (FN) را خلاصه می کند.
فرمول:
- خطر: [TP + TN] / (TP + FP + TN + FN)
- [[ویرایش] [۱] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰]] [۱۰] [۳]] [۱۰] [۳]] [۱۰]] [۳] [۱۰] [۳] [۱۰]]
- [[ویرایش] [۱] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰]] [۱۰] [۱۰]] [۱۰] [۱۰]]