Învățarea supravegheată presupune modele de formare pentru a face predicții bazate pe date etichetate. Evaluarea performanței acestor modele necesită calcularea diferitelor indicatori de precizie și de eroare. Aceste indicatori ajută la determinarea cât de bine prezice rezultatele modelului și la identificarea zonelor pentru îmbunătățire.

Înţelegerea exactităţii predicţiei

Precizia predicţiei măsoară proporţia de predicţii corecte făcute de model. Este folosit în mod obişnuit pentru sarcinile de clasificare în cazul în care rezultatele sunt categorice. Mai mare precizie indică performanţă mai bună model.

Pentru a calcula precizia, diviza numarul de predictii corecte la numarul total de predictii:

Accuacy = (Numărul de predicții corecte) / (Total predicții)

Metrici frecvente de erori

Pentru sarcinile de regresie, în cazul în care predicțiile sunt valori continue, indicatorii de eroare cuantifică diferența dintre valorile anticipate și cele reale.metricile comune includ Media Absolut Error (MAE), Media Eroare pătrată (MSE) și Root Medie (RMSE).

Aceste valori se calculează după cum urmează:

  • MAE: Media diferențelor absolute dintre valorile anticipate și cele reale.
  • MSE: Media diferențelor pătrate dintre valorile anticipate și cele reale.
  • RMSE: Rădăcină pătrată a MSE, oferind eroare în unități originale.

Valorile inferioare pentru aceste valori indică o performanță mai bună a modelului.

Punerea în aplicare a unor metode de calcul în practică

Majoritatea bibliotecilor de învățare a mașinilor oferă funcții pentru calcularea acestor indicatori cu ușurință. De exemplu, în biblioteca de învățare a sciților a lui Python, sunt utilizate în mod obișnuit funcții precum , și .

Este important să se aleagă metric adecvat pe baza tipului de sarcină