Menilai kinerja model pembelajaran mesin sangat penting untuk memahami keefektifan mereka dalam aplikasi dunia nyata. metrik akurasi membantu mengidentifikasi kekuatan dan kelemahan, membimbing perbaikan dan penyebaran keputusan.

Metrik Kinerja Biasa

Beberapa metrik bahasa beberapa digunakan untuk menilai kinerja model, tergantung pada jenis tugas. Untuk masalah klasifikasi, akurasi, ketepatan, recall, dan F1 skor sering digunakan. Untuk tugas regresi, metrik seperti Mean Absolute Error (MAE), Mean Squared Error (MSE), dan R-squared adalah umum.

Penghitungan Penghitungan Penghitungan untuk Pengklasifikasian

Kebingungan matrices nutfah membentuk dasar untuk banyak metrik klasifikasi.Mereka terdiri dari positif sejati (TP), positif palsu (FP), negatif sejati (TN), dan negatif palsu (FN). Akurasi dihitung sebagai:

[[ANJUANG:0]]Akcurasi = (TP + TN) / (TP + FP + TN + FN)

Kepersisan mengukur proporsi identifikasi positif yang benar:

[[GANDAFLT:0]]Precision = TP / (TP + FP)[

Recall menunjukkan proporsi positif aktual yang diidentifikasi dengan benar:

[[Efol]]Recall = TP / (TP + FN)[

Penghitungan Penghitungan Penghitungan untuk Metrik Pemulangan

Metrik regresi regresi regresi mengevaluasi perbedaan antara nilai yang diprediksi dan nilai sebenarnya. Mean Absolute Error (MAE) dihitung sebagai:

[[GALALT:0]]MAE = (1/n) * ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ] ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ]] ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

Kesalahan Periketik Min Mina (MSE) menekankan kesalahan yang lebih besar:

[[GALAL:0]]MSE = (1/n) * ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ]]2]]]

Gambar R menunjukkan proporsi dari varians dijelaskan oleh model:

tool 2 = 1 - (SSres[] / SStot]

Kekecualian Kesimpulan

Metrik yang sesuai, berdasarkan masalah dan tujuan yang spesifik perhitungan dan interpretasi yang tepat dari metrik ini sangat penting untuk mengerahkan model pembelajaran mesin yang efektif dalam skenario dunia nyata.