Supervised Learning은 라벨 데이터에 근거한 예측을 만들기 위해 훈련 모델을 포함합니다. 이러한 모델의 성능을 평가하는 것은 다양한 정확도와 오류 측정을 계산해야 합니다. 이 메트릭은 모델이 결과를 예측하고 개선 영역을 식별하는 방법을 결정하는 데 도움이 됩니다.

Prediction 정확도

예측 정확도는 모델에 의해 만들어진 정확한 예측의 비율을 측정합니다. 그것은 일반적으로 분류 작업에 사용됩니다. 높은 정확도는 더 나은 모델 성능을 나타냅니다.

정확도를 계산하려면 총 예측의 수에 따라 정확한 예측 수를 배분하십시오.

Accuracy = (정확한 예측의 수) / (총 예측)

일반적인 오류 미터

회귀 작업의 경우, 예측은 연속 값이며, 오류 메트릭스는 예측과 실제 값 사이의 차이를 할당합니다. 일반적인 메트릭은 Mean Absolute Error (MAE), Mean Squared Error (MSE) 및 Root Mean Squared Error (RMSE)를 포함합니다.

이 미터는 다음과 같이 계산됩니다:

  • MAE: 예측과 실제 값 사이의 절대 차이의 평균.
  • MSE: 예측과 실제 값 사이의 사각형 차이의 평균.
  • RMSE: MSE의 스퀘어 루트, 원래 단위의 오류를 제공.

이 메트릭스의 값은 더 나은 모델 성능을 나타냅니다.

연습의 미터 구현

대부분의 기계 학습 라이브러리는 이러한 미터를 쉽게 계산하는 기능을 제공합니다. 예를 들어, Python의 scikit-learn 라이브러리에서 ], , ]와 같은 함수는 일반적으로 사용됩니다.

작업 유형 분류 또는 회귀에 따라 적절한 미터를 선택하는 것이 중요합니다. 모델 평가의 특정 목표.