Neuroverkkojen tarkkuuden arviointi on olennaista niiden suorituskyvyn ymmärtämisessä tietyissä tehtävissä. Eri mittareita käytetään mittaamaan, kuinka hyvin malli ennustaa tai luokittelee tietoja. Tässä artikkelissa käsitellään yhteisiä mittareita ja sitä, miten ne käytännössä lasketaan.

Tarkkuus

Tarkkuus mittaa oikeaennustusten osuuden kaikista tehdyistä ennusteista. Se lasketaan jakamalla oikeiden ennusteiden määrä ennusteiden kokonaismäärällä.

Luokitustehtäviin tarkkuus on yksinkertainen metri, erityisesti kun luokat ovat tasapainossa. Se lasketaan seuraavasti:

Tarkkuus = (Oikeiden ennusteiden lukumäärä) / (Kokonaisennakot)

Tarkkuus, takaisinkutsu ja F1-pisteytys

Nämä mittarit ovat erityisen hyödyllisiä epätasapainoisissa tietoaineistoissa. Tarkkuus mittaa positiivisien ennusteiden oikeellisuutta, kun taas takaisinkutsu mittaa kykyä löytää kaikki positiiviset tapaukset. F1-pistemäärä yhdistää molemmat yhdeksi metriksi.

Laskelmat ovat seuraavat:

  • Tarkoitus = Todelliset Positiiviset / (True Positives + Väärä Positiiviset)
  • Perustus = Todelliset Positiiviset / (True Positives + Väärä Negatives) []
  • F1 Pistemäärä = 2 * (Tarkoitus * Palautus) / (Tarkka + palautus)[

Käytännön laskenta

Käytännössä nämä mittarit lasketaan käyttäen kirjastoja, kuten skit-oppia Pythonissa. Neuroverkosta saatujen ennusteiden jälkeen metrit automaattisesti laskevat arvot oikeiden tarrojen ja ennustettujen tarrojen perusteella.

Esimerkiksi käyttämällä skit-oppia:

sklearn.metrics tuonti tarkkuutta score, tarkkuutta score, rembury score, f1 score[]

tarkkuus = tarkkuus score(y true, y pred)

Samoin tarkkuus, takaisinveto, ja F1 pisteytykset lasketaan niiden kukin toimintoja.