모델 성능 평가: 실제 배포에 대한 계산 및 미터

기계 학습 모델의 성능을 평가하는 것은 실제 응용 분야에서의 효율성을 이해하는 데 필수적입니다. 정확한 미터는 강도와 약점, 인도 개선 및 배포 결정을 식별하는 데 도움이됩니다.

일반적인 성능 미터

여러 미터는 작업 유형에 따라 모델 성능에 따라 모델 성능을 평가하는 데 사용됩니다. 분류 문제, 정확도, 정밀도, 리콜 및 F1 점수가 자주 사용됩니다. 회귀 작업의 경우, 평균 절대 오류 (MAE), 평균 스퀘어 오류 (MSE) 및 R-squared와 같은 미터가 일반적입니다.

분류 미터에 대한 계산

Confusion matrices는 많은 분류 미터를 위한 기초를 형성합니다. 그들은 진실한 긍정적 (TP), 틀린 긍정적인 (FP), 진실한 부정적인 (TN) 및 거짓 부정적인 (FN)로 이루어져 있습니다. 정확도는 다음과 같이 산출됩니다:

Accuracy = (TP + TN) / (TP + FP + TN + FN)

정밀는 정확한 긍정적 인 식별의 비율을 측정합니다.

Precision = TP / (TP + FP)

Recall은 실제적인 긍정적의 비율을 정확하게 식별합니다.

Recall = TP / (TP + FN)

회귀 미터 계산

회귀 미터는 예측 및 실제 값 사이의 차이를 평가합니다. Mean Absolute Error (MAE)는 다음과 같이 계산됩니다.

MAE = (1/n) * Σ |y_]i - ע_]i|]

평균 사각형 오류 (MSE)는 더 큰 오류를 강조합니다.

MSE = (1/n) * Σ (y_i] - δ_]i])^]]2]]

R-squared는 모델에 의해 설명 된 다양한 비율을 나타냅니다.

R²]=1 - (SS_]res/SS_]]]]]]]]