Evaluarea performanţei modelelor de învăţare a maşinilor este esenţială pentru a înţelege eficienţa acestora. În învăţarea supravegheată, indicatorii, cum ar fi precizia, precizia şi rechemarea sunt utilizate în mod obişnuit pentru a măsura cât de bine prezice rezultatele unui model.

Precizie

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

Deşi precizia este utilă, ea poate induce în eroare seturile de date dezechilibrate în care o clasă domină. În astfel de cazuri, alte indicatori oferă o mai bună înţelegere a performanţei modelului.

Precizie și rechemare

Precizia indică proporţia de predicţii pozitive adevărate între toate prezicerile pozitive făcute de model. Ea reflectă capacitatea modelului de a evita falsul pozitiv.

Reamintiți, de asemenea, ca sensibilitate, măsoară proporția de pozitive reale identificate corect de model. Aceasta arată cât de bine detectează modelul cazuri pozitive.

Calcularea datelor

Aceste indicatori sunt obţinuţi din matricea de confuzie, care rezumă adevăratele pozitive (TP), fals pozitive (FP), adevăratele negative (TN) şi false negative (FN).

Formulare:

  • Accuracy: (TP + TN) / (TP + FP + TN + FN)
  • Precizie: TP / (TP + FP)
  • Rechemare: TP / (TP + FN)