Évaluation de l'exactitude du réseau neuronal : les métriques communes et leur calcul pratique
L'évaluation de la précision des réseaux neuronaux est essentielle pour comprendre leur performance sur des tâches spécifiques. Différentes mesures sont utilisées pour mesurer la mesure dans laquelle un modèle prédit ou classifie les données.
Précision
La précision mesure la proportion de prévisions correctes par rapport à toutes les prévisions faites. Elle est calculée en divisant le nombre de prévisions correctes par le nombre total de prévisions.
Pour les tâches de classification, la précision est une mesure simple, surtout lorsque les classes sont équilibrées.
Acquies = (Nombre de prévisions correctes) / (Prédictions totales)
Précision, rappel et score F1
Ces mesures sont particulièrement utiles pour les ensembles de données déséquilibrés. La précision mesure l'exactitude des prédictions positives, tandis que le rappel mesure la capacité de trouver toutes les instances positives. Le score F1 combine les deux en une seule mesure.
Les calculs sont les suivants:
- Précision = Vrai Positifs / (Vrai Positifs + Faux Positifs)
- Reappel = Vrai Positifs / (Vrai Positifs + Faux Négatifs)
- F1 Score = 2 * (Précision * Rappel) / (Précision + Rappel)
Calcul pratique
En pratique, ces métriques sont calculées à l'aide de bibliothèques comme scikit-learn en Python. Après avoir obtenu des prédictions du réseau neuronal, les métriques fonctionnent automatiquement pour calculer les valeurs basées sur les étiquettes vraies et prédites.
Par exemple, en utilisant scikit-learn:
de skearn.metrics importent précision score, précision score, rappel score, f1 score
exactitude = précision score(y true, y pred)
De même, la précision, le rappel et le score F1 sont calculés avec leurs fonctions respectives.