Evaluering av nøyaktigheten av nevrale nettverk er avgjørende for å forstå deres ytelse på bestemte oppgaver. Ulike metriske brukes til å måle hvor godt en modell forutsier eller klassifiserer data. Denne artikkelen diskuterer vanlige metriske og hvordan de praktisk talt beregnes.

Nøyaktighet

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

For klassifiseringsoppgaver er nøyaktighet en enkel metrisk, spesielt når klasser er balansert. Det beregnes som:

Accuracy = (antall korrekte forutsigelser) / (Totalt forutsigelser)]

Precision, minne og F1-score

Disse metrikkene er spesielt nyttige for ubalanserte datasett. Precision måler riktigheten av positive spådommer, mens huske måler evnen til å finne alle positive tilfeller. F1-scoren kombinerer begge til en enkelt metrikk.

Beregningene er som følger:

  • Precision = True Positives / (Sann positiver + Falske Positiver)]
  • Recall = True Positives / (Sann positive + Falske negativer)]
  • F1 Score = 2 * (Precision * Minder) / (Precision + Minder)]

Praktisk beregning

I praksis beregnes disse metriske tall ved hjelp av biblioteker som scikit-learn i Python. Etter å ha fått spådommer fra det nevrale nettverket, beregner metriske funksjoner automatisk verdiene basert på sanne etiketter og forutspådde etiketter.

For eksempel ved bruk av scikit-learn:

fra sklern.metrics import excurity score, presisjon score, recurrice score, f1 score]

nøyaktighet = nøyaktighet score(y true, y pred)

På samme måte beregnes presisjon, tilbakemelding og F1-score med sine respektive funksjoner.