신경 네트워크의 정확도를 평가하는 것은 특정 작업에 자신의 성능을 이해하는 데 필수적입니다. 다양한 미터는 잘 모델 예측 또는 분류 데이터를 측정하는 데 사용됩니다. 이 문서는 일반적인 미터와 그들이 실제로 계산되는 방법에 대해 논의합니다.

제품정보

정확도는 모든 예측에서 정확한 예측의 비율을 측정합니다. 총 예측의 수에 의해 정확한 예측의 수를 분배하여 계산됩니다.

분류 작업을 위해, 정확도는 클래스가 균형 잡힐 때 직선 미터, 특히입니다. 그것은 다음과 같이 계산됩니다:

Accuracy = (정확한 예측의 수) / (총 예측)

정밀, 리콜, F1 점수

이 미터는 특히 imbalanced datasets를 위해 유용합니다. 정밀도는 긍정적인 예언의 정확한 측정을 측정하고, 회신은 모든 긍정적인 예를 찾아내는 기능을 측정합니다. F1 점수는 단일 미터로 둘 다 결합합니다.

계산은 다음과 같습니다.

  • Precision = True Positives / (True Positives + False Positives)
  • Recall = True Positives / (True Positives + False Negatives)
  • F1 점수 = 2 * (예 : * 회신) / (예 : + 회신)

Practical 계산

실제로, 이 메트릭스는 Python의 scikit-learn과 같은 라이브러리를 사용하여 계산됩니다. 신경 네트워크에서 예측을 얻은 후, 메트릭스 기능은 진정한 라벨과 예측된 라벨을 기반으로 값을 자동으로 계산합니다.

예를 들어 scikit-learn을 사용하여:

sklearn.metrics import Accuracy score, Precision score, recall score, f1 score

정확도 = 정확도 score(y true, y pred)[

마찬가지로, 정밀도, 리콜, F1 점수는 해당 함수와 비교됩니다.