기계 학습 모델의 성능을 평가하는 것은 효율성에 필수적입니다. 초시 학습, 정확도, 정밀도, 리콜과 같은 미터는 일반적으로 모델이 결과를 예측하는 방법을 측정하는 데 사용됩니다.

제품정보

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

정확도가 유용하지만, 한 클래스가 지배하는 불균형 데이터 세트에서 misleading 할 수 있습니다. 이러한 경우 다른 미터는 모델 성능에 더 나은 통찰력을 제공합니다.

정밀 및 리콜

정밀는 모델에 의해 만들어진 모든 긍정적인 예측 중 진정한 긍정적 인 예측의 비율을 나타냅니다. 그것은 거짓 긍정적 인을 피하기 위해 모델의 능력을 반영합니다.

Recall, 또한 감도로 알려진, 모델에 의해 올바르게 식별 된 실제 긍정적의 비율을 측정. 그것은 잘 모델이 긍정적 인 사례를 감지하는 방법을 보여줍니다.

미터 계산

이 메트릭은 진정한 긍정적 인 (TP), false 긍정적 인 (FP), true 부정적인 (TN) 및 false 부정적인 (FN)을 요약 한 혼란 매트릭스에서 파생됩니다.

공식:

  • 수성: (TP + TN) / (TP + FP + TN + FN)
  • 예: TP / (TP + FP)
  • Recall: TP / (TP + FN)