特定のタスクのパフォーマンスを理解するために、ニューラルネットワークの精度を評価することは不可欠です。モデルがデータの予測や分類をどれだけよく測定するためにさまざまなメトリックが使われます。この記事では、一般的なメトリックとどのように実質的に計算されているかについて説明しています。

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。

分類タスクでは、クラスがバランスをとると、特に、精度は簡単なメトリックです。次のように計算されます。

精度 = (正しい予測の数) / (総予測)

精密・リコール・F1スコア

これらのメトリックは、不均衡なデータセットに特に役立ちます。 精度は、正の予測の正しさを測定し、すべての正のインスタンスを見つける能力をリコールします。 F1スコアは、両方のメトリックを1つのメトリックに結合します。

計算は以下です。

  • 精密=真の正性/(真の正性+偽の陽性)
  • Recall = True Positives / (True Positives + False Negatives)]
  • F1 スコア = 2 * (プレゼンテーション * リコール) / (プレシジョン + リコール)

実用的なコンピューティング

実際には、これらのメトリックは、Pythonでscikit-learnなどのライブラリを使用して計算されます。ニューラルネットワークからの予測を得ると、メトリクスは、真のラベルと予測されたラベルに基づいて値を自動的に計算します。

例えば、scikit-learn を使う:

[]sklearn.metrics のインポートの正確さ スコア、精密 スコア、recall score、f1 score]]から

accuracy = 精度 score(y true、y pred)

同様に、精度、リコール、F1スコアはそれぞれの機能で計算されます。