درک چگونگی ارزیابی مدل های یادگیری ماشین برای توسعه الگوریتم های موثر ضروری است.دو معیار مشترک دقت و دقت هستند.این معیارها به تعیین اینکه یک مدل چگونه بر روی مجموعه داده های داده شده عملکرد خوبی دارد، کمک می کند.

دقت مدل چیست؟

دقت نسبت پیش بینی های صحیحی را که توسط مدل از تمام پیش بینی ها صورت گرفته است اندازه گیری می کند.این با تقسیم تعداد پیش بینی های صحیح توسط تعداد کل پیش بینی ها محاسبه می شود.

فرمول دقت:

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

دقت زمانی مفید است که مجموعه داده ها کلاس های متعادلی داشته باشند، اما اگر کلاس ها بی تعادل باشند، می توانند گمراه کننده باشند.

مدل دقیق چیست؟

دقت نسبت پیش بینی های مثبت واقعی را از تمام پیش بینی های مثبت که توسط مدل انجام شده است، اندازه گیری می کند.این نشان می دهد که چه تعداد از موارد مثبت پیش بینی شده در واقع مثبت هستند.

فرمول دقیق این است:

تصمیم گیری = ( مثبت واقعی) / ( مثبت واقعی + مثبت کاذب)

دقت بالا به این معنی است که وقتی مدل مثبت پیش بینی می کند، معمولا درست است.این به ویژه در سناریوهایی که مثبت کاذب پر هزینه است، مهم است.

چگونه این معیارها را محاسبه کنیم

برای محاسبه دقت و دقت، شما به یک ماتریس سردرگمی نیاز دارید که نتایج پیش بینی را به چهار دسته خلاصه می کند: مثبت واقعی، منفی واقعی، مثبت کاذب و منفی کاذب.

هنگامی که این ارزش ها را دارید، آنها را به فرمول ها برای محاسبه معیارها متصل کنید. بسیاری از کتابخانه های یادگیری ماشین مانند Scikit-learn، توابع را برای محاسبه دقت و دقت به طور مستقیم ارائه می دهند.

  • ماتریس Confusion
  • مثبت واقعی (TP)
  • مثبت کاذب (FP)
  • منفی واقعی (TN)
  • منفی های کاذب (FN)