Pembelajaran supervisi oleh osis mencakup pelatihan model untuk membuat prediksi berdasarkan data berlabel. Mengevaluasi kinerja model-model ini memerlukan perhitungan berbagai akurasi dan metrik kesalahan. metrik ini membantu menentukan seberapa baik model memprediksi hasil dan mengidentifikasi area untuk perbaikan.

Keakuratan Pengertian Infansi

Akurasi prediksi yang tepat mengukur proporsi prediksi yang benar yang dibuat oleh model. Ini umum digunakan untuk tugas klasifikasi di mana hasil yang dihasilkan adalah kategori. akurasi yang lebih tinggi menunjukkan kinerja model yang lebih baik.

Untuk menghitung ketepatan, membagi jumlah prediksi yang benar dengan jumlah total prediksi:

[[ANCANDA:0]]Aksepsi = (Bilangan Prediksi yang Benar) / (Perdapres Total)[[

Metriks Kesalahan Umum

Untuk tugas regresi animal, dimana prediksi adalah nilai-nilai yang berkesinambungan, kesalahan metrik mengkuantifikasi perbedaan antara prediksi dan nilai aktual. Metrik umum termasuk Mean Absolute Error (MAE), Mean Squared Error (MSE), dan Root Mean Squared Error (RMSE).

Nukulinan metrik ini dihitung sebagai berikut:

  • BAHASA [[NOLT:0]]MAE:Average of absolute difference between predicted and actual value.
  • [[XALT:0]]MSE: Rata-rata perbedaan kuadrat antara nilai yang diprediksi dan nilai yang sebenarnya.
  • [[EfleksiCAL:0]]RMSE: Akar kuadrat MSE, menyediakan kesalahan dalam unit asli.

Nilai fatwa untuk metrik ini menunjukkan kinerja model yang lebih baik.

Terapkan Refles dalam Praktik Metrik

Kebanyakan perpustakaan pembelajaran mesin nafias menyediakan fungsi untuk menghitung metrik ini dengan mudah. Misalnya, dalam pustaka scikit-learn Python, fungsi seperti , , dan biasa digunakan.

Penting untuk memilih metrik yang sesuai berdasarkan jenis tugas ⁇ klasifikasi atau regresi ⁇ dan tujuan spesifik dari evaluasi model.