Table of Contents
ارزیابی عملکرد مدل های یادگیری ماشین برای درک اثربخشی آنها در برنامه های دنیای واقعی ضروری است. معیارهای دقیق به شناسایی نقاط قوت و ضعف، هدایت بهبود و تصمیم گیری های استقرار کمک می کند.
معیارهای عملکرد مشترک
چندین معیار برای ارزیابی عملکرد مدل، بسته به نوع کار، برای مشکلات طبقه بندی، دقت، یادآوری و نمره F1 اغلب مورد استفاده قرار می گیرد.
محاسبه برای مقیاس های طبقه بندی
انقباض ماtrices پایه برای بسیاری از معیارهای طبقه بندی را تشکیل می دهد، آنها شامل مثبت واقعی (TP)، مثبت کاذب (FP)، منفی واقعی (TN)، و منفی کاذب (FN) دقیق محاسبه می شود:
Accuracy = (TP + TN) / (TP + FP + TN + FN)
دقت نسبت شناسایی های مثبت را که درست بودند اندازه گیری می کند:
تصمیم گیری = TP / (TP + FP)
یادآوری نشان می دهد که نسبت مثبت های واقعی به درستی مشخص شده است:
REcall = TP / (TP + FN)[[ویرایش]
محاسبه برای Regression Metrics
معیارهای بازگشت تفاوت بین مقادیر پیش بینی شده و واقعی را ارزیابی می کند، به این معنی که خطای مطلق (MAE) به عنوان:
[[ویرایش] [۱] [۱] [۱] [۱] [۱] [۱۰]] [۱] [۱] [۱۰] [۱] [۱۰] [۳] [۳] [۳] [۱۰] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [[[[۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [[[[۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [[[[[[[[[[۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳
خطای مربعی (MSE) بر خطاهای بزرگتر تأکید می کند:
[[ویرایش] [۱] [۱۰] [۱] [۱] [۱۰] [۱] [۱۰] [۱] [۱۰] [۱] [۱۰] [۱۰]] [۱۰] [۳] [۱۰] [۳] [۱۰] [۱۰] [۱۰] [۱۰] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [[[۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [بر [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [
R-squared نشان دهنده نسبت تفاوت های توضیح داده شده توسط مدل است:
[[ویرایش] [۱] [۱۰] [۱۰] [۱۰] [[۱۰]] [[۱۰]] [[۱۰]] [۱۰] [۱۰] [۱۰]] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۴] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳
نتیجه گیری
انتخاب معیارهای مناسب بستگی به مشکل و اهداف خاص دارد. محاسبه و تفسیر صحیح از این معیارها برای استقرار مدل های یادگیری ماشین موثر در سناریوهای دنیای واقعی بسیار حیاتی است.