Quantificando o desempenho do modelo em aprendizagem supervisionada: métricas e cálculos

Avaliar o desempenho de modelos de aprendizagem supervisionados é essencial para entender sua eficácia. Várias métricas são usadas para medir o quão bem um modelo prevê resultados com base em dados rotulados. Essas métricas ajudam na comparação de modelos e na seleção da melhor para uma tarefa específica.

Métricas de Desempenho Comum

Várias métricas são amplamente utilizadas para avaliar modelos de aprendizagem supervisionados, a escolha da métrica depende do tipo de problema, como classificação ou regressão, e a compreensão dessas métricas permite melhor interpretação dos resultados do modelo.

Métricas para Classificação

Nas tarefas de classificação, as métricas comuns incluem precisão, precisão, memória e escore F1, que avaliam diferentes aspectos da capacidade do modelo de predizer corretamente as etiquetas de classe.

Precisão

A precisão mede a proporção de previsões corretas fora das previsões totais. É calculado como:

Precisão = (Verdadeiros positivos + Verdadeiros negativos) / Predições totais

Precisão e Lembre - se

A precisão indica a proporção de predições positivas corretas, enquanto a memória mede a proporção de positivos reais corretamente identificados, sendo calculadas como:

Precisão = Verdadeiros positivos / (Verdadeiros positivos + Falsos positivos)

Revogar = Verdadeiros Positivos / (Verdadeiros Positivos + Falsos Negativos)

Métricas para Regressão

Os modelos de regressão são avaliados utilizando métricas como Erro Absoluto Médio (MAE), Erro Quadrado Médio (MSE) e R-quadrado. Essas métricas quantificam a diferença entre os valores contínuos preditos e os reais.

Erro médio absoluto (MAE)

O MAE calcula a diferença média absoluta entre os valores previstos e os valores reais:

MAE = □ .Previsto - Real . / Número de Predições

R-quadrado

O quadrado-R indica a proporção de variância na variável dependente explicada pelo modelo, variando de 0 a 1, com valores mais elevados indicando melhor ajuste.

Essas métricas fornecem uma base quantitativa para avaliar e comparar o desempenho do modelo em tarefas de aprendizagem supervisionada.