Å evaluere ytelsen til maskinlæring modeller er viktig for å forstå deres effektivitet. I overvåket læring, metriske som nøyaktighet, presisjon og minnelse brukes vanligvis til å måle hvor godt en modell forutsi resultater.

Nøyaktighet

Nøyaktighet måler andelen av riktige spådommer ut av alle forutsigelser som er gjort. Det beregnes ved å dele antall riktige spådommer med det totale antall spådommer.

Mens nøyaktighet er nyttig, kan det være villedende i ubalanserte datasett der en klasse dominerer. I slike tilfeller gir andre metrikk bedre innsikt i modellytelse.

Precision og minne

Precision indikerer andelen av sanne positive spådommer blant alle positive spådommer som er laget av modellen. Det gjenspeiler modellens evne til å unngå falske positive.

Husk, også kjent som følsomhet, måler andelen faktiske positive som er riktig identifisert av modellen. Det viser hvor godt modellen oppdager positive tilfeller.

Beregner metrics

Disse metriske tallene er avledet fra forvirringsmatrisen, som oppsummerer sanne positive (TP), falske positive (FP), sanne negative (TN) og falske negative (FN).

Formler:

  • Accuracy: (TP + TN) / (TP + FP + TN + FN + FN)
  • Presisjon: TP / (TP + FP)
  • Recall: TP / (TP + FN)