Å forstå hvordan man evaluerer maskinlæring modeller er viktig for å utvikle effektive algoritmer. To vanlige metriske er nøyaktighet og presisjon. Disse metriske bidrar til å bestemme hvor godt en modell fungerer på et gitt datasett.

Hva er modell nøyaktighet?

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

Formlen for nøyaktighet er:

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

Nøyaktighet er nyttig når datasettet har balansert klasser, men det kan være vildledende hvis klassene er ubalansert.

Hva er modell presisjon?

Precision måler andelen av sanne positive spådommer ut av alle positive spådommer som er gjort av modellen. Det indikerer hvor mange av de forutspådde positive tilfellene er faktisk positive.

Formlen for presisjon er:

Precision = (Sann positive) / (Sann positive + falske positive)]

Høy presisjon betyr at når modellen forutsi positivt, er det vanligvis riktig. Det er spesielt viktig i scenarier der falske positive er kostbare.

Hvordan beregne disse metrics

For å beregne nøyaktighet og presisjon trenger du en forvirringsmatrise, som oppsummerer prediksjonsresultatene i fire kategorier: sanne positive, sanne negative, falske positive og falske negative.

Når du har disse verdiene, koble dem til formlene for å beregne metrikkene. Mange maskinlæring biblioteker, som scikit-learn, gir funksjoner for å beregne nøyaktighet og presisjon direkte.

  • Forvirringsmatrise
  • Sanne positive (TP)
  • Falske positive (FP)
  • Sanne negativer (TN)
  • Falske negativer (FN)