Quantification du rendement du modèle dans l'apprentissage supervisé : métriques et calculs

L'évaluation du rendement des modèles d'apprentissage supervisé est essentielle pour comprendre leur efficacité. Différentes mesures sont utilisées pour mesurer la mesure dans laquelle un modèle prédit les résultats à partir de données étiquetées. Ces mesures aident à comparer les modèles et à choisir le meilleur pour une tâche précise.

Mesures communes de performance

Plusieurs mesures sont largement utilisées pour évaluer les modèles d'apprentissage supervisé. Le choix de la mesure dépend du type de problème, comme la classification ou la régression. La compréhension de ces mesures permet une meilleure interprétation des résultats des modèles.

Mesures de classement

Dans les tâches de classification, les mesures courantes comprennent la précision, la précision, le rappel et la note F1. Ces mesures évaluent différents aspects de la capacité du modèle à prédire correctement les étiquettes de classe.

Précision

La précision mesure la proportion de prévisions correctes par rapport aux prévisions totales.

Accusé = (Vrai Positifs + Vrai Négatifs) / Prévisions totales

Précision et rappel

La précision indique la proportion de prédictions positives qui sont correctes, tandis que le rappel mesure la proportion de résultats positifs réels correctement identifiés.

Précision = Vrai Positifs / (Vrai Positifs + Faux Positifs)

Reappel = Vrai Positifs / (Vrai Positifs + Faux Négatifs)

Mesures de régression

Les modèles de régression sont évalués à l'aide de mesures comme l'erreur absolue moyenne (EIM), l'erreur carrée moyenne (ESM) et le carré R. Ces mesures quantifient la différence entre les valeurs continues prévues et réelles.

Erreur absolue moyenne (EAM)

L'EAM calcule la différence absolue moyenne entre les valeurs prévues et les valeurs réelles:

MAE = ---Prédicté - Actuel -- Nombre de prédictions

R carré

Le carré R indique la proportion de variance dans la variable dépendante expliquée par le modèle. Il varie de 0 à 1, avec des valeurs plus élevées indiquant une meilleure adaptation.

Ces mesures fournissent une base quantitative pour évaluer et comparer le rendement du modèle dans les tâches d'apprentissage supervisé.