신경 네트워크 모델의 성능을 평가하는 방법을 이해하는 것은 효과적인 기계 학습 솔루션을 개발하는 데 필수적입니다. 이 문서는 모델 정확도와 신뢰성을 평가하는 데 사용되는 일반적인 메트릭의 실제 개요를 제공합니다.

핵심 성과 미터

몇몇 미터는 모형 성과로 다른 통찰력을 제공하는 신경 네트워크 모형을 평가하기 위하여 이용됩니다. 가장 일반적인은 정확도, 정밀도, 회고, F1 점수 및 혼란 모체를 포함합니다.

측정 정확도

정확도는 모든 예측에서 정확한 예측의 비율을 측정합니다. 그것은 다음과 같이 계산됩니다.

Accuracy = (정확한 예측의 수) / (총 예측)

다른 미터와 그들의 계산

정밀 및 리콜은 특히 불균형 데이터 세트에 유용합니다. 정밀는 모든 긍정적 인 예측 중 진정한 긍정적 인 예측의 비율을 나타냅니다. 리콜은 실제 긍정적 인 결과를 정확하게 식별합니다.

F1 점수는 정밀하고 단일 메트릭으로 회신하여 두 가지의 조화를 이루고 있습니다.

F1 점수 = 2 * (예 : * 회신) / (예 : + 회신)

Confusion Matrix 사용

이 혼동 매트릭스는 진정한 긍정적 인, 거짓 긍정적 인, 진실한 부정적인, 및 거짓 부정적인 결과로 예측 결과를 요약합니다. 그것은 분류 작업에서 모델 성능의 포괄적 인 전망을 제공합니다.

  • 진정한 긍정적인 (TP)
  • 틈 긍정적인 (FP)
  • 진정한 부정 (TN)
  • 퓨즈 부정 (FN)