マシン学習モデルの性能を評価することは、その有効性を理解することが不可欠です。 監督された学習では、精度、精度、リコールなどのメトリックは、モデルが結果をどのように予測するかを測定するために一般的に使用されます。

精度精度

精度は、予測の全ての予測から正しい予測の割合を測定します。予測の総数で正しい予測の数を分割することによって計算されます。

精度は有用ですが、一流分が入る不均衡なデータセットでは誤解を招くことができます。このような場合、他のメトリックはモデル性能に優れた洞察を提供します。

精密・リコール

精密は、モデルによって作られたすべての肯定的な予測の中で真の肯定的な予測の割合を示しています。 これは、偽の陽性を避けるモデルの能力を反映しています。

感度とも呼ばれるリコールは、モデルによって正しく識別される実際の正当の割合を測定します。モデルが正の場合を検出する方法を示しています。

メトリックの計算

これらのメトリックは、真の正性(TP)、偽の正当(FP)、真の負(TN)、および偽の負(FN)を要約する混乱行列から派生します。

方式:

  • 精度: (TP + TN) / (TP + FP + TN + FN)
  • 精密: TP / (TP + FP)
  • リコール: TP / (TP + FN)