Menilai kinerja model pembelajaran yang diawasi sangat penting untuk memahami keefektifan mereka. berbagai metrik digunakan untuk mengukur seberapa baik model memprediksi hasil berdasarkan data berlabel. metrik ini membantu dalam membandingkan model dan memilih yang terbaik untuk tugas tertentu.

Metrik Kinerja Biasa

Beberapa metrik bahasa Vocago banyak digunakan untuk menilai model pembelajaran yang diawasi. Pilihan metrik tergantung pada jenis masalah, seperti klasifikasi atau regresi.Pengertian metrik ini memungkinkan interpretasi yang lebih baik dari hasil model.

Metrik Kebidanan untuk Klasifikasi

Klasifikasi tugas, metrik umum termasuk akurasi, ketepatan, recall, dan F1. Metrik ini mengevaluasi aspek yang berbeda dari kemampuan model untuk memprediksi label kelas secara benar.

Ketepatan

Akurasi akurat mengukur proporsi prediksi yang benar dari prediksi total.

[[LRT:0]]Akkursif = (Ketetapan Positif + Negatif Benar) / Total Prediksi

Kepersisan dan Ingatan

Presisi kinsisisidiksi menunjukkan proporsi prediksi positif yang benar, sementara ingat mengukur proporsi positif yang sebenarnya dengan benar diidentifikasi.

Presisi = Positif Benar / (True Positives + Salah Positif)[

[[CALAL:0]]Recall = Positif Benar / (True Positives + Salah Negatif)[

Metriks untuk Penindasan

Model regresi animalitas animal dievaluasi menggunakan metrik seperti Mean Absolute Error (MAE), Mean Squared Error (MSE), dan R-squared. Metrik ini mengkuantifikasi perbedaan antara nilai yang diprediksi dan yang sebenarnya secara kontinu.

Kesalahan Mintalin (MAE)

MAE LUANG menghitung rata-rata perbedaan mutlak antara nilai yang diprediksi dan aktual:

MAE = OLEH OLEHPERCAYAAN - TANDA/ Jumlah Prediksi[

♪ ♪ ♪ R-squared ♪

Ini berkisar antara 0 hingga 1, dengan nilai yang lebih tinggi menunjukkan nilai yang lebih baik.

Metrik ini menyediakan dasar kuantitatif untuk menilai dan membandingkan kinerja model dalam mengawasi tugas belajar.