Avaliação do desempenho do modelo: Cálculos e métricas para implantação do mundo real

A avaliação do desempenho de modelos de aprendizado de máquina é essencial para entender sua eficácia em aplicações do mundo real. métricas precisas ajudam a identificar pontos fortes e fracos, orientando melhorias e decisões de implantação.

Métricas de Desempenho Comum

Para avaliar o desempenho do modelo, são utilizadas várias métricas, dependendo do tipo de tarefa. Para problemas de classificação, são frequentemente utilizados a precisão, precisão, memória e pontuação F1. Para tarefas de regressão, métricas como Erro Absoluto Médio (MAE), Erro Quadrado Médio (MSE) e R-quadrado são comuns.

Cálculos para a classificação de métrica

As matrizes de confusão formam a base para muitas métricas de classificação. Consistem em verdadeiros positivos (TP), falsos positivos (FP), verdadeiros negativos (TN) e falsos negativos (FN). A precisão é calculada como:

Precisão = (TP + TN) / (TP + FP + TN + FN)

A precisão mede a proporção de identificações positivas que estavam corretas:

Precisão = TP / (TP + FP)

A memória indica a proporção de positivos reais corretamente identificados:

Rechamar = TP / (TP + FN)

Cálculos para a Metrica de Regressão

As métricas de regressão avaliam a diferença entre os valores preditos e os valores reais. O Erro Absoluto Médio (MAE) é calculado como:

MAE = (1/n) * . .y_i - . .i .