یادگیری فوق العاده شامل مدل های آموزشی برای پیش بینی بر اساس داده های برچسب شده است.ارزیابی عملکرد این مدل ها نیازمند محاسبه دقت و معیارهای مختلف خطا است.این معیارها به تعیین اینکه چگونه مدل نتایج را پیش بینی می کند و مناطق را برای بهبود شناسایی می کند کمک می کند.

درک دقت پیش بینی

دقت پیش بینی نسبت پیش بینی های صحیحی که توسط مدل انجام می شود را اندازه گیری می کند، معمولا برای وظایف طبقه بندی استفاده می شود که در آن نتایج به صورت دقیق و دقیق تر نشان دهنده عملکرد مدل بهتر است.

برای محاسبه دقت، تعداد پیش بینی های صحیح را با تعداد کل پیش بینی ها تقسیم کنید:

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

خطای رایج

برای کارهای رگرسیون، که پیش بینی ها ارزش های مستمر دارند، معیارهای خطا تفاوت بین مقادیر پیش بینی شده و واقعی را مشخص می کنند، معیارهای مشترک شامل خطای مطلق (MAE)، به معنی خطای مربع (MSE)، و ریشه به معنی خطای مربع (RMSE) است.

این معیارها به صورت زیر محاسبه می شوند:

  • MAE: میانگین تفاوت های مطلق بین پیش بینی شده و ارزش های واقعی.
  • میانگین تفاوت های مربعی بین مقادیر پیش بینی شده و واقعی.
  • [[۱] [۱۰] [۱۰] [۱۰] [۱] [۱]] [۱]] [۱] [۱]] [۱] [۱]] [۱]] [۱] [۱] [۱]] [۱۰]] [۱] [۱۰] [۱] [۱] [۱۰] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱]]] [۱]]] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [

مقادیر پایین تر برای این معیارها نشان دهنده عملکرد مدل بهتر است.

اجرای متریک در عمل

اکثر کتابخانه های یادگیری ماشین، توابعی را برای محاسبه این معیارها به راحتی فراهم می کنند، به عنوان مثال، در کتابخانه علمی تخیلی پایتون، توابعی مانند ، و معمولا استفاده می شود.

مهم است که متریک مناسب را بر اساس نوع کار – طبقه بندی یا رگرسیون – و اهداف خاص ارزیابی مدل انتخاب کنید.