Memahami cara mengevaluasi model pembelajaran mesin sangat penting untuk mengembangkan algoritma efektif. dua metrik umum adalah ketepatan dan ketepatan. metrik ini membantu menentukan seberapa baik sebuah model melakukan pada sebuah dataset yang diberikan.

Apa itu Ketepatan Model?

Akurasi kontaminasi kontaminasi mengukur proporsi prediksi yang benar yang dibuat oleh model dari semua prediksi. dihitung dengan membagi jumlah prediksi yang benar oleh jumlah total prediksi.

Formula untuk ketepatan adalah:

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

Keakuratan dapat berguna ketika dataset memiliki kelas yang seimbang, tetapi dapat menyesatkan jika kelas tidak seimbang.

Apa itu Presisi Model?

Prediksi kontaminasi mengukur proporsi prediksi positif sejati dari semua prediksi positif yang dibuat oleh model. ini menunjukkan berapa banyak dari kasus positif yang diperkirakan sebenarnya positif.

Formula untuk presisi adalah:

Presisi = (Kecederaan Positif) / (Kecederaan Positif + Positif Palsu)[

Ketelitian tinggi berarti bahwa ketika model memprediksi positif, biasanya benar. khususnya penting dalam skenario di mana positif palsu mahal.

Cara Menghitung Metrik Ini

Untuk menghitung ketepatan dan ketepatan, Anda perlu matriks kebingungan, yang merangkum hasil prediksi ke dalam empat kategori: positif sejati, negatif sejati, positif palsu, dan negatif palsu.

Setelah Anda memiliki nilai-nilai ini, plug mereka ke dalam rumus untuk menghitung metrik. banyak perpustakaan pembelajaran mesin, seperti scikit-learn, menyediakan fungsi untuk menghitung ketepatan dan ketepatan secara langsung.

  • Kebingungan matriks
  • Positif positif positif (TP)
  • Positif Salah (FP)
  • Nafikan negatif sejati (TN)
  • Salah Salah Salah Salah negatif (FN)