Avaliando a Precisão da Rede Neural: Métricas comuns e sua Computação Prática

A avaliação da precisão das redes neurais é essencial para compreender o seu desempenho em tarefas específicas. Várias métricas são usadas para medir o quão bem um modelo prevê ou classifica dados. Este artigo discute métricas comuns e como elas são praticamente computadas.

Precisão

A precisão mede a proporção de previsões corretas de todas as previsões feitas. É calculada dividindo o número de previsões corretas pelo número total de previsões.

Para tarefas de classificação, a precisão é uma métrica simples, especialmente quando as classes são equilibradas. É calculada como:

Acuração = (Número de Predições Corretas) / (Predições Totais)

Pontuação de precisão, lembre-se e F1

Estas métricas são particularmente úteis para conjuntos de dados desequilibrados. A precisão mede a exatidão das previsões positivas, enquanto a memória mede a capacidade de encontrar todas as instâncias positivas. O escore F1 combina ambas em uma única métrica.

Os cálculos são os seguintes:

• Precisão = Verdadeiros positivos / (Verdadeiros positivos + Falsos positivos)
• Revogar = Verdadeiros Positivos / (Verdadeiros Positivos + Falsos Negativos)
• F1 Pontuação = 2 * (Precisão * Lembre-se) / (Precisão + Lembre-se)

Computação Prática

Na prática, essas métricas são calculadas usando bibliotecas como o scikit-learn em Python. Após obter previsões da rede neural, as funções das métricas calculam automaticamente os valores com base em rótulos verdadeiros e rótulos preditos.

Por exemplo, usando o skikit-learn:

de sklearn.metrics import accuracy score, precision score, revoll score, f1 score

precisão = precisão escore(y verdade, y pred)

Da mesma forma, precisão, memória e escore F1 são calculados com suas respectivas funções.