درک چگونگی ارزیابی عملکرد مدل های شبکه عصبی برای توسعه راه حل های یادگیری ماشین موثر ضروری است.این مقاله یک مرور عملی از معیارهای رایج مورد استفاده برای ارزیابی دقت مدل و قابلیت اطمینان را فراهم می کند.

معیارهای عملکرد کلیدی

چندین معیار برای ارزیابی مدل های شبکه عصبی استفاده می شود، هر کدام بینش های متفاوتی را در عملکرد مدل ارائه می دهند. رایج ترین آنها شامل دقت، دقت، یادآوری، نمره F1 و ماتریس سردرگمی است.

محاسبه دقیق

دقت نسبت پیش بینی های صحیح را از تمام پیش بینی های انجام شده اندازه گیری می کند.این به عنوان:

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

سایر معیارها و محاسبات آنها

دقت و یادآوری به ویژه برای مجموعه داده های عدم تعادل مفید است. Precision نشان دهنده نسبت پیش بینی های مثبت واقعی در میان همه پیش بینی های مثبت است، در حالی که یادآوری نسبت مثبت واقعی را به درستی شناسایی می کند.

نمره F1 دقت و یادآوری را در یک متریک واحد ترکیب می کند، که به عنوان ابزار هارمونیک این دو محاسبه می شود:

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

استفاده از Confusion Matrix

ماتریس سردرگمی نتایج پیش بینی را با تجزیه و تحلیل نتایج به مثبت واقعی، مثبت کاذب، منفی واقعی و منفی کاذب خلاصه می کند.این یک دیدگاه جامع از عملکرد مدل، به ویژه در وظایف طبقه بندی فراهم می کند.

  • مثبت واقعی (TP)
  • مثبت کاذب (FP)
  • منفی واقعی (TN)
  • منفی کاذب (FN)