Înțelegerea modului de evaluare a modelelor de învățare a mașinilor este esențială pentru dezvoltarea algoritmilor eficienți. Două indicatori comuni sunt acuratețea și precizia. Aceste indicatori ajută la determinarea modului în care un model funcționează pe un anumit set de date.

Ce este Precizia Model?

Precizia măsoară proporţia de predicţii corecte făcute de model din toate prezicerile. Se calculează prin împărţirea numărului de predicţii corecte la numărul total de predicţii.

Formula pentru precizie este:

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

Precizia este utilă atunci când setul de date are clase echilibrate, dar poate induce în eroare dacă clasele sunt dezechilibrate.

Ce este Model Precision?

Precizia măsoară proporţia de predicţii pozitive reale din toate prezicerile pozitive făcute de model. Aceasta indică câte dintre cazurile pozitive anticipate sunt de fapt pozitive.

Formula de precizie este:

Precizie = (Adevărat pozitiv) / (Adevărat pozitiv + fals pozitiv)

Precizie mare înseamnă că atunci când modelul prezice pozitiv, este de obicei corect. Este deosebit de important în scenariile în care fals pozitive sunt costisitoare.

Cum se calculează aceste metode

Pentru a calcula precizia şi precizia, aveţi nevoie de o matrice de confuzie, care rezumă rezultatele predicţiei în patru categorii: pozitive adevărate, negative adevărate, fals pozitive, şi negative false.

Odată ce aveți aceste valori, conectați-le în formulele pentru a calcula indicatorii. Multe biblioteci de învățare mașină, cum ar fi scikit-learn, oferă funcții pentru a calcula acuratețea și precizia direct.

  • Matricea de confuzie
  • Adevarate pozitive (TP)
  • False pozitive (FP)
  • Adevarate negative (TN)
  • False negative (FN)