Bij het leren van Supervised zijn trainingsmodellen nodig om voorspellingen te doen op basis van gelabelde gegevens. Het evalueren van de prestaties van deze modellen vereist verschillende nauwkeurigheids- en foutgegevens. Deze metrics helpen bepalen hoe goed het model resultaten voorspelt en gebieden voor verbetering identificeert.

Nauwkeurigheid van de voorspelling begrijpen

De nauwkeurigheid van de voorspelling meet het percentage van de juiste voorspellingen van het model. Het wordt vaak gebruikt voor classificatietaken waar de uitkomsten categorisch zijn. Hogere nauwkeurigheid duidt op betere modelprestaties.

Om nauwkeurigheid te berekenen, het aantal juiste voorspellingen te delen door het totale aantal voorspellingen:

nauwkeurigheid = (aantal correcte voorspellingen) / (totale voorspellingen)

Vaak voorkomende foutmetrics

Voor regressietaken, waarbij voorspellingen continue waarden zijn, kwantificeren foutmetrics het verschil tussen voorspelde en werkelijke waarden. Gemeenschappelijke metrics omvatten Gemiddelde Absolute Fout (MAE), Gemiddelde Vierkante Fout (MSE), en Root Gemiddelde Vierkante Fout (RMSE).

Deze metrieken worden als volgt berekend:

  • MAE: Gemiddelde van absolute verschillen tussen voorspelde en werkelijke waarden.
  • MSE: Gemiddelde van kwadraatverschillen tussen voorspelde en werkelijke waarden.
  • RMSE: Vierkante wortel van MSE, die fout in originele eenheden.

Lagere waarden voor deze metrics geven betere modelprestaties aan.

Uitvoering van Metrics in de praktijk

De meeste machine learning bibliotheken bieden functies om deze metrics gemakkelijk te berekenen. Bijvoorbeeld, in Python's scikit-learn bibliotheek, functies zoals , , en worden vaak gebruikt.

Het is belangrijk om de passende metriek te selecteren op basis van het taaktype ..in- of terugval en de specifieke doelstellingen van de modelevaluatie.