Performance di modelli quantificanti nell'apprendimento supervisionato: metriche e calcoli
La valutazione delle prestazioni dei modelli di apprendimento supervisionati è essenziale per comprendere la loro efficacia. Varie metriche sono utilizzate per misurare quanto un modello preveda i risultati in base ai dati etichettati. Queste metriche aiutano a confrontare i modelli e a selezionare il migliore per un compito specifico.
Metrica di prestazione comune
La scelta della metrica dipende dal tipo di problema, come la classificazione o la regressione, e la comprensione di queste metriche consente una migliore interpretazione dei risultati del modello.
Metriche per la classificazione
Nelle attività di classificazione, le metriche comuni includono precisione, precisione, richiamo e punteggio F1, che valutano diversi aspetti della capacità del modello di prevedere correttamente le etichette di classe.
Accuratezza
L'accuratezza misura la proporzione di previsioni corrette su previsioni totali.
Accuracy = (True Positives + True Negatives) / Total Predictions
Precisione e Richiamo
La precisione indica la proporzione di previsioni positive corrette, mentre il richiamo misura la proporzione di positivi effettivi correttamente identificati.
Precisione = Vero Positivi / (True Positives + False Positives)[
Richiesta = veri positivi / (positivi di tiro + falsi negativi)[
Metrica per la regressione
I modelli di regressione vengono valutati utilizzando metriche come l'errore di Assoluto di Mena (MAE), l'errore quadrato di Mean (MSE), e il quadrato R. Queste metriche quantificano la differenza tra valori continui predetti e reali.
Errore assoluto (MAE)
MAE calcola la differenza media assoluta tra i valori predetti e quelli effettivi:
MAE = Σ|Predicted - Actual| / Numero di prescrizioni
R-quadrato
R-squared indica la proporzione di variazione nella variabile dipendente spiegata dal modello, che varia da 0 a 1, con valori più alti che indicano una migliore vestibilità.
Queste metriche forniscono una base quantitativa per valutare e confrontare le prestazioni del modello in attività di apprendimento supervisionate.