Valvottu oppiminen edellyttää koulutusmalleja, joiden avulla voidaan tehdä ennusteita, jotka perustuvat tunnistettuihin tietoihin. Näiden mallien suorituskyvyn arviointi edellyttää erilaisten tarkkuuden ja virhemittareiden laskemista. Nämä mittarit auttavat määrittämään, miten hyvin malli ennustaa tuloksia ja tunnistaa parannuskohteita.

Ennustetarkkuuden ymmärtäminen

Ennustetarkkuus mittaa mallin tekemien oikeiden ennusteiden osuuden. Sitä käytetään yleisesti luokittelutehtäviin, joissa tulokset ovat kategorisia. Korkeampi tarkkuus osoittaa paremman mallin suorituskyvyn.

Tarkkuuden laskemiseksi on jaettava oikeiden ennusteiden lukumäärä ennusteiden kokonaismäärällä:

Tarkkuus = (Oikeiden ennusteiden lukumäärä) / (Kokonaisennakot)

Yleinen virhe metrics

Regressiotehtävissä, joissa ennustukset ovat jatkuvia arvoja, virhemittareita, jotka mittaavat ennustettujen ja todellisten arvojen välisen eron. Yhteisiä mittareita ovat keskiarvoinen absoluuttinen virhe (MAE), keskiarvo neliövirhe (MSE) ja juurikeskineliövirhe (RSE).

Nämä mittarit lasketaan seuraavasti:

  • MAE:[ Ennustettujen ja todellisten arvojen välinen absoluuttinen ero.
  • MSE:[] Ennustettujen ja todellisten arvojen välinen neliöerojen keskiarvo.
  • RMSE:[] MSE:n neliöjuuri, joka tuottaa virhettä alkuperäisissä yksiköissä.

Näiden mittareiden alemmat arvot osoittavat, että mallin suorituskyky on parempi.

Käytännön metriikan toteuttaminen

Useimmat koneoppimiskirjastot tarjoavat toimintoja näiden mittareiden laskemiseen helposti. Esimerkiksi Pythonin skikit-oppikirjastossa käytetään yleisesti toimintoja kuten , ja .

On tärkeää valita asianmukainen metri tehtävän tyypin . luokittelun tai regression ... ja mallin arvioinnin erityistavoitteiden perusteella.