Modelprestaties evalueren: Berekenen van nauwkeurigheid, precisie en terugroepbaarheid in toezicht Leren

Het evalueren van de prestaties van machine learning modellen is essentieel om hun effectiviteit te begrijpen. In onder toezicht leren, metrics zoals nauwkeurigheid, precisie, en terugroepen worden vaak gebruikt om te meten hoe goed een model voorspelt resultaten.

Nauwkeurigheid

Nauwkeurigheid meet het aandeel van correcte voorspellingen uit alle voorspellingen. Het wordt berekend door het aantal juiste voorspellingen te delen door het totale aantal voorspellingen.

Hoewel nauwkeurigheid nuttig is, kan het misleidend zijn in onevenwichtige datasets waar één klasse domineert. In dergelijke gevallen bieden andere metrics betere inzichten in modelprestaties.

Precisie en terugroepen

Precisie geeft het aandeel van de positieve voorspellingen weer onder alle positieve voorspellingen van het model. Het weerspiegelt het vermogen van het model om valse positieven te vermijden.

Herinneren, ook wel bekend als gevoeligheid, meet het aandeel van de feitelijke positieven correct geïdentificeerd door het model. Het toont hoe goed het model positieve gevallen detecteert.

Berekening van de Metrics

Deze metrics zijn afgeleid van de verwarringsmatrix, die ware positieven (TP), valse positieven (FP), ware negatieven (TN) en valse negatieven (FN) samenvat.

Formules: