Koneoppimismallien arvioinnin ymmärtäminen on olennaista tehokkaiden algoritmeja kehitettäessä. Kaksi yhteistä mittaria ovat tarkkuus ja tarkkuus. Nämä mittarit auttavat määrittämään, kuinka hyvin malli toimii tietyllä aineistolla.

Mikä on Malli Tarkkuus?

Tarkkuus mittaa mallin kaikkien ennusteiden perusteella tekemien oikeiden ennusteiden osuuden. Se lasketaan jakamalla oikeiden ennusteiden määrä ennusteiden kokonaismäärällä.

Tarkkuuden kaava on:

Tarkkuus = (Oikeiden ennusteiden lukumäärä) / (Kokonaisennakot)

Tarkkuus on hyödyllinen, kun aineistossa on tasapainoisia luokkia, mutta se voi olla harhaanjohtavaa, jos luokat ovat epätasapainossa.

Mikä on Model Precision?

Tarkkuus mittaa todellisen positiivisen ennusteen osuuden kaikista mallin tekemistä positiivisista ennusteista. Se osoittaa, kuinka moni ennustetusta positiivisesta tapauksesta on todella positiivinen.

Tarkkuuden kaava on:

Tarkoitus = (Todelliset positiivisuudet) / (True Positives + Väärät positiivisuudet)[

Korkea tarkkuus tarkoittaa, että kun malli ennustaa positiivista, se on yleensä oikea. Se on erityisen tärkeää tilanteissa, joissa väärät positiiviset ovat kalliita.

Miten laskea nämä metrics

Tarkkuuden ja tarkkuuden laskemiseksi tarvitset sekavuusmatriisin, joka tiivistää ennusteen tulokset neljään kategoriaan: tosi positiiviset, todelliset negatiiviset, väärät positiiviset ja väärät negatiiviset.

Kun sinulla on nämä arvot, liitä ne kaavoihin laskea metrit. Monet koneoppimiskirjastot, kuten skit-oppia, tarjoavat toimintoja laskea tarkkuutta ja tarkkuutta suoraan.

  • Sekavuusmatriisi
  • Todelliset positiiviset tulokset
  • Väärät positiiviset tulokset
  • Todelliset negatiiviset (TN)
  • Väärät negatiiviset (FN)