Valutazione della precisione della rete neurale: metriche comuni e loro computazione pratica
La valutazione dell'accuratezza delle reti neurali è essenziale per comprendere le loro prestazioni su specifiche attività. Varie metriche sono utilizzate per misurare quanto un modello predice o classifica i dati.
Accuratezza
L'accuratezza misura la proporzione di previsioni corrette su tutte le previsioni fatte, e viene calcolata dividendo il numero di previsioni corrette per il numero totale di previsioni.
Per le attività di classificazione, l'accuratezza è una metrica semplice, soprattutto quando le classi sono equilibrate.
Accuracy = (Numero di Preddizioni Corrette) / (Preddizioni Totali)]
Precisione, Richiamo e Punteggio F1
Queste metriche sono particolarmente utili per gli intervalli di dati squilibrati. La precisione misura la correttezza delle previsioni positive, mentre il richiamo misura la capacità di trovare tutte le istanze positive. Il punteggio F1 si combina sia in una singola metrica.
I calcoli sono i seguenti:
- Precisione = Vero Positivi / (True Positives + False Positives)[
- Richiesta = veri positivi / (positivi di tiro + falsi negativi)[
- F1 Punteggio = 2 * (Precisione * Richiamo) / (Precisione + Richiamo)
Computazione pratica
In pratica, queste metriche sono calcolate utilizzando librerie come la fantascienza in Python. Dopo aver ottenuto le previsioni dalla rete neurale, le funzioni metriche calcolano automaticamente i valori basati su etichette vere e etichette prevedibili.
Ad esempio, utilizzando la scikit-learn:
da sklearn.metrics import precision score, precision score, richiamo score, f1 score]
accuracy = Accurate score(y true, y pred)[]
Allo stesso modo, precisione, richiamo e punteggio F1 sono calcolati con le loro rispettive funzioni.