모델 정확도는 기계 학습 모델의 성능을 평가하는 주요 지표입니다. 그것은 종종 모델의 예측이 실제 결과와 일치하는 방법을 측정합니다. 다른 미터와 방법을 이해하는 것은 특정 작업에 가장 적합한 모델을 선택하는 데 도움이됩니다.

정밀도를 이해

정확도는 총 예측의 수에 정확한 예측의 비율입니다. 그것은 데이터를 균형 잡힐 때 가장 효과적입니다. 그러나, 그것은 1 개의 클래스가 지배하는 불균형 데이터 세트의 경우에만 misleading 할 수 있습니다.

Model Evaluation의 일반적인 지표

정확도 외에도 다른 메트릭스는 모델 성능의 더 포괄적 인 평가를 제공합니다.

  • Precision: 모든 긍정적인 예측 중 진정한 긍정적인 예측의 비율.
  • Recall: 모든 실제적인 긍정적 인에서 확인된 진실한 긍정적의 비율.
  • F1 점수: 의 조화는 정밀도와 리콜의 의미, 두 미터 모두 균형을 잡습니다.
  • Confusion Matrix: true Positive, false Positive, true negative, false negatives를 보여주는 테이블.

정확도 계산 방법

계산 정확도는 예측의 총 수에 의해 정확한 예측의 수를 분배하는 것. 일반적인 방법은 다음과 같습니다 :

  • Holdout Validation:] 훈련 및 테스트 세트로 데이터를 분할.
  • Cross-Validation: 다른 하위셋을 통해 모델을 검증하기 위해 여러 접으로 데이터를 분할합니다.
  • Bootstrapping: 모델의 성능에 대한 교체와 샘플링.