Mengevaluasi keakuratan jaringan saraf sangat penting untuk memahami kinerja mereka pada tugas-tugas tertentu. berbagai metrik digunakan untuk mengukur seberapa baik model prediksi atau pengklasifikasikan data. artikel ini membahas metrik umum dan bagaimana mereka dapat menghitung.

Ketepatan

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

Klasifikasi bahasa Yunani untuk tugas, ketepatan adalah metrik yang mudah, terutama ketika kelas seimbang.

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

Kepertimbangan, Ingat, dan Skor F1

Kepersisan mengukur kebenaran prediksi positif, sementara ingat mengukur kemampuan untuk menemukan semua contoh positif.

Penghitungan Penghitungan adalah sebagai berikut:

  • Presisi = Positif Benar / (True Positives + Salah Positif)[
  • [[CALAL:0]]Recall = Positif Benar / (True Positives + Salah Negatif)[
  • [[LRT:0]]F1 Skor = 2 * (Precision * recall) / (Precision + recall)[

Komputasi Praktis Praktis

Dalam praktiknya, metrik ini dihitung menggunakan pustaka seperti scikit-learn dalam Python. Setelah mendapatkan prediksi dari jaringan saraf, metrik berfungsi secara otomatis menghitung nilai berdasarkan label sejati dan label yang diprediksi.

Misalnya, menggunakan scikit-learn:

[[EGAL LRT:0]]from sklearn.metrics import acceure score, precision score, recall score, f1 score

[[XALT:0]]akurasi = akunce score(y true, y pred)[

Sama halnya, ketepatan, recall, dan skor F1 dihitung dengan fungsi masing-masing.