Table of Contents
دقت مدل یک متریک کلیدی در ارزیابی عملکرد مدل های یادگیری ماشین است.این اندازه گیری می کند که اغلب پیش بینی های مدل با نتایج واقعی مطابقت دارند. درک معیارهای مختلف و روش ها به انتخاب بهترین مدل برای وظایف خاص کمک می کند.
درک دقیق
دقت نسبت پیش بینی های صحیح به تعداد کل پیش بینی های انجام شده است.این ساده است که محاسبه شود و هنگامی که کلاس های داده متعادل هستند، موثر است.
شاخص های رایج برای ارزیابی مدل
علاوه بر دقت، معیارهای دیگر ارزیابی جامع تری از عملکرد مدل ارائه می دهند:
- تصمیم گیری: نسبت پیش بینی های مثبت واقعی در میان همه پیش بینی های مثبت.
- [[۱] [۱۰] [[۱۰]] [[۱۰]] [[۱۰]]] [[۱۰]]] [۱]] [۳] [۱]] [۳] [۱] [۳] [۱]] [۳] [۱] [۳] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۳] [۱] [۱] [۵] [۱] [۱] [۱] [۱] [۳] [۱] [۱] [۱] [۱] [۳] [۳]]]] [۱]]]]] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۱] [۳] [۳] [۱] [۳] [۱] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۱] [۳] [۳] [
- ] F1 امتیاز: [ معنی هارمونیک دقت و یادآوری، تعادل هر دو معیار.
- ماتریس تزریق: یک جدول نشان دهنده مثبت واقعی، مثبت کاذب، منفی واقعی و منفی کاذب است.
روش های Calculate دقیق
دقت محاسبه شامل تقسیم تعداد پیش بینی های صحیح توسط تعداد کل پیش بینی ها می شود.
- [[۱] [۱۰] اعتبار [۱]: [۱۰] [۱] [۱] [۱] [۱]) تقسیم داده ها به آموزش و آزمایش مجموعه.
- اعتبار سنجی: داده های تقسیم شده به چندین لایه برای اعتبار مدل در زیر مجموعه های مختلف.
- [[۱] [۱۰]: [[۱۰]] [[۱۰]]] [[۱۰]]] [[۳]]] [۱]] [۳]]] [۳] [۱]]) با جایگزینی برای ارزیابی عملکرد مدل.