Å evaluere ytelsen til overvåkede læringsmodeller er viktig for å forstå deres effektivitet. Ulike metrologier brukes til å måle hvor godt en modell forutsier resultater basert på merket data. Disse metrologiene hjelper til å sammenligne modeller og velge den beste for en bestemt oppgave.

Vanlige ytelsesmatrikser

Flere metrikker brukes i stor grad til å vurdere overvåkede læringsmodeller. Valget av metrikk avhenger av typen problem, som klassifisering eller regresjon. Forståelse av disse metrikkene gjør det mulig å bedre tolke modellresultater.

Metriks for klassifisering

I klassifiseringsoppgaver inkluderer felles metriske nøyaktighet, presisjon, tilbakemelding og F1-score. Disse metriske måleria evaluerer ulike aspekter av modellens evne til å forutsi klassemerker.

Nøyaktighet

Nøyaktighetsmåler andelen av riktige spådommer ut av totale spådommer. Det beregnes som:

Accuracy = (Sann positive + True Negatives) / Totale prognoser

Precision og minne

Precision indikerer andelen positive spådommer som er riktige, mens det er husket målinger av andelen faktiske positive som er riktig identifisert. De beregnes som:

Precision = True Positives / (Sann positiver + Falske Positiver)]

Recall = True Positives / (Sann positive + Falske negativer)]

Metriks for regresjon

Regresjonsmodeller evalueres ved å bruke metriske som gjennomsnittlig absolutt feil (MAE), gjennomsnittlig firkantet feil (MSE) og R-squared. Disse metriske kvantifiserer forskjellen mellom forutsagte og faktiske kontinuerlige verdier.

Gjennomsnittlig absolutt feil (MAE)

MAE beregner den gjennomsnittlige absolutte forskjellen mellom forutsagte og faktiske verdier:

MAE = Σ ⁇ Forutsett - Faktisk / Antall forutsigelser]

R-kvadret

R-kvadret indikerer andelen varians i den avhengige variabelen som forklares av modellen. Den varierer fra 0 til 1, med høyere verdier som indikerer bedre passform.

Disse metrikkene gir et kvantitativt grunnlag for å vurdere og sammenligne modellytelse i overvåkede læringsoppgaver.