Akurasi model adalah metrik kunci dalam mengevaluasi kinerja model pembelajaran mesin. Ini mengukur seberapa sering prediksi model sesuai dengan hasil sebenarnya. Memahami metrik dan metode yang berbeda membantu dalam memilih model terbaik untuk tugas tertentu.

Pengertian Tepat Tepat

Akurasi adalah rasio prediksi yang benar terhadap jumlah prediksi yang dibuat secara sederhana untuk menghitung dan paling efektif ketika kelas data seimbang.Namun, dapat menyesatkan dalam kasus dataset yang tidak seimbang di mana satu kelas mendominasi.

Metrik Umum untuk Penilaian Model

Selain ketepatan, metrik lain memberikan evaluasi yang lebih komprehensif terhadap kinerja model:

  • [[GANAL:0]]Precision: Proporsi prediksi positif sejati di antara semua prediksi positif.
  • [[CANDAFLT:0]]Recall: Proporsi positif sejati diidentifikasi dari semua positif aktual.
  • [[Charmonic tools dan recall, balancing kedua metrik.
  • [Efleksi]Confusion Matrix: Tabel yang menunjukkan positif sejati, positif palsu, negatif sejati, dan negatif palsu.

Metode - Metode untuk Menghitung Ketepatan

Menghitung akurasi melibatkan membagi jumlah prediksi yang benar dengan jumlah prediksi yang benar.

  • [[COLT:0]]Holdout Validation: Membagi data ke dalam pelatihan dan pengujian set.
  • [[GALALT:0]]Cross-Validation: Mengukur data ke dalam lipatan ganda untuk memvalidasi model di seluruh subset berbeda.
  • Bootstrappping: Sampling dengan penggantian untuk memperkirakan kinerja model.