Table of Contents
اندازه گیری دقت یک مدل یادگیری عمیق برای ارزیابی عملکرد آن ضروری است.معیارهای مختلف بسته به نوع مشکل مانند طبقه بندی یا رگرسیون استفاده می شود.
شاخص های مشترک برای مدل های طبقه بندی
برای وظایف طبقه بندی، دقت ساده ترین متریک است.این نسبت پیش بینی های صحیح را از تمام پیش بینی های انجام شده محاسبه می کند.با این حال، معیارهای دیگر بینش های دقیق تری را ارائه می دهند، به ویژه با مجموعه داده های عدم تعادل.
شاخص های کلیدی برای ارزیابی
- تصمیم گیری: نسبت پیش بینی های مثبت واقعی به کلی پیش بینی مثبت.
- فراخوان: نسبت پیش بینی های مثبت واقعی به همه مثبت های واقعی.
- ] 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.
معیار های محاسبه
اندازه گیری ها با استفاده از اعداد از ماتریس سردرگمی محاسبه می شوند، به عنوان دقیق محاسبه می شود (FLT:0TP / (TP + FP) ، که TP مثبت واقعی است و FP مثبت کاذب است، به طور مشابه، به یاد داشته باشید (FLT:2TP / (TP + FN)
معیار های مدل های بازگشتی
در وظایف رگرسیون، معیارها بر تفاوت بین مقادیر پیش بینی شده و واقعی تمرکز می کنند.معیارهای مشترک شامل خطای مربعی (MSE)، به معنی خطای مطلق (MAE) و R-squared است.
خلاصه خلاصه خلاصه خلاصه خلاصه خلاصه خلاصه خلاصه خلاصه خلاصه خلاصه خلاصه خلاصه خلاصه خلاصه
انتخاب متریک مناسب بستگی به نوع مشکل و اهداف خاص دارد. ارزیابی مناسب تضمین می کند که مدل به خوبی عمل می کند و مطابق با استانداردهای دقت مورد نظر است.