Supervised Learning의 모델 성능 조정: 미터 및 계산

초시 학습 모델의 성능을 평가하는 것은 효율성에 필수적입니다. 다양한 미터는 라벨 데이터에 근거하여 모델의 결과를 예측하는 방법을 측정하는 데 사용됩니다. 이 미터는 모델에 대한 비교와 특정 작업에 가장 적합한 것을 선택하는 데 도움이됩니다.

일반적인 성능 미터

몇몇 미터는 감독한 학습 모형을 평가하기 위하여 널리 이용됩니다. 미터의 선택은 분류 또는 회귀와 같은 문제의 유형에 달려 있습니다. 이 미터를 이해하는 것은 모형 결과의 더 나은 해석을 허용합니다.

분류 작업에서, 일반적인 메트릭은 정확도, 정밀도, 회신, F1 점수를 포함합니다. 이 메트릭은 모델의 다양한 측면을 정확하게 예측할 수 있는 클래스 라벨을 평가합니다.

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

Accuracy = (True Positive + True Negatives) / 총 예측

정밀는 정확한 긍정적 예측의 비율을 나타냅니다. 반복은 실제적인 긍정적 인 결과를 정확하게 식별합니다. 그들은 다음과 같이 계산됩니다.

Precision = True Positives / (True Positives + False Positives)

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

회귀 모델은 Mean Absolute Error (MAE), Mean Squared Error (MSE), R-squared와 같은 메트릭을 사용하여 평가됩니다. 이 메트릭은 예측 및 실제 연속 값의 차이를 할당합니다.

MAE는 예측된 실제 값과의 평균 절대 차이를 계산합니다.

MAE = Σ|Predicted - 실제|/전용 수

R-squared는 모델에 의해 설명된 의존 변수의 차이 비율을 나타냅니다. 그것은 0에서 1, 더 나은 적합을 나타내는 더 높은 값과 함께 범위.

이 메트릭은 초시 학습 작업에서 모델 성능 평가 및 비교에 대한 양적 기반을 제공합니다.