監視された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。さまざまなメトリックは、モデルがラベル付きデータに基づいて結果をどのように予測するかを測定するために使われます。これらのメトリックは、モデルを比較し、特定のタスクに最適なものを選ぶのに役立ちます。

共通性能のメートル

複数のメトリックは、監視された学習モデルを評価するために広く使用されています。メトリックの選択は、分類や回帰などの問題の種類によって異なります。これらのメトリックを理解することで、モデル結果のより良い解釈を得ることができます。

分類のためのメトリック

分類タスクでは、一般的なメトリックには、精度、精度、リコール、F1スコアが含まれます。 これらのメトリックは、クラスラベルを正しく予測するモデルの能力の異なる側面を評価します。

精度精度

精度は、予測の予測の比率を予測します。次のように計算されます。

精度 = (True Positives + True Negatives) / トータル予測

精密・リコール

精度は正しい正の予測の割合を表し、実際の正当の割合を正しく識別するリコールしながら、。 それらは次のように計算されます。

精密=真の正性/(真の正性+偽の陽性)

Recall = True Positives / (True Positives + False Negatives)]

回帰のためのメトリック

回帰モデルは、平均絶対誤差(MAE)、平均角質誤差(MSE)、R字型などのメトリックを用いて評価されます。これらのメトリックは、予測値と実際の連続値の違いを定量化します。

平均絶対エラー(MAE)

MAEは予測値と実際の値の平均絶対値の差を計算します。

MAE = Σ|予測 - 実際の|/予測回数]

R スクエア

R-squared は、モデルによって説明される依存変数の分散の割合を示します。 これは、より優れた値が一致して 0 から 1 の範囲です。

これらのメトリックは、監視された学習タスクでモデルのパフォーマンスを評価し、比較するための定量的な基礎を提供します。