Mengevaluasi kinerja model pembelajaran mesin sangat penting untuk memahami keefektifannya.Dalam mempelajari, metrik seperti ketepatan, ketepatan, dan recall biasa digunakan untuk mengukur seberapa baik sebuah model memprediksi hasil.

Ketepatan

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

Meskipun ketepatan yang berguna, bisa menyesatkan dalam dataset yang tidak seimbang di mana satu kelas mendominasi. dalam kasus seperti itu, metrik lain memberikan wawasan yang lebih baik dalam kinerja model.

Kepersisan dan Ingatan

Presisi ionion menunjukkan proporsi prediksi positif sejati di antara semua prediksi positif yang dibuat oleh model. ini mencerminkan kemampuan model untuk menghindari positif palsu.

Ingatan, yang juga dikenal sebagai sensitivitas, mengukur proporsi positif aktual yang diidentifikasi dengan benar oleh model.

Menghitung Metrik

Metrik ini berasal dari matriks kebingungan, yang merangkum positif sejati (TP), positif palsu (FP), negatif benar (TN), dan negatif palsu (FN).

Formula Formula:

  • [[ANCALT:0]]Akcurasi:[ (TP + TN) / (TP + FP + TN + FN)
  • [[GANFLT:0]]Precision: TP / (TP + FP)
  • [[GALAL:0]]Recall: TP / (TP + FN)