기계 학습 프로젝트의 모델 정확도와 정밀도를 계산하는 방법

기계 학습 모델을 평가하는 방법을 이해하는 것은 효과적인 알고리즘을 개발하는 데 필수적입니다. 두 가지 일반적인 메트릭은 정확성과 정밀도입니다. 이 메트릭은 주어진 데이터 세트에서 모델이 수행하는 방법을 결정합니다.

모델 정확도는 무엇입니까?

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

정확도의 공식은:

Accuracy = (정확한 예측의 수) / (총 예측)

dataset가 잔액 된 클래스가 있을 때 정확도가 유용하지만 클래스가 불균형인지 잘못될 수 있습니다.

정밀는 모델에 의해 만들어진 모든 긍정적 예측에서 진정한 긍정적 인 예측의 비율을 측정합니다. 예측 된 긍정적 인 사례의 많은 것을 실제로 긍정적 인 사례가 얼마나 많은지 나타냅니다.

정밀도를 위한 공식은:

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

높은 정밀도는 모델이 긍정적을 예측 할 때, 일반적으로 정확합니다. 그것은 특히 잘못된 긍정적 인 비용으로 시나리오에서 중요합니다.

정확도와 정밀도를 계산하려면, 당신은 4개의 범주로 예측 결과를 요약하는 confusion matrix가 필요합니다: 진정한 긍정적, 진정한 부정적인, 거짓 긍정적, 그리고 거짓 부정적인.

이 값을 가지고 있다면, 미터를 계산하는 공식으로 연결하십시오. scikit-learn와 같은 많은 기계 학습 라이브러리는 정확도와 정밀도를 직접 계산하는 기능을 제공합니다.