Evaluarea preciziei retelelor neurale este esentiala pentru intelegerea performantelor lor in anumite sarcini. Diversele matci sunt folosite pentru a masura cat de bine prezice sau clasifica datele unui model. Acest articol discuta indicatori comuni si modul in care acestea sunt practic calculate.

Precizie

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

Pentru sarcinile de clasificare, precizia este un metric simplu, mai ales atunci când clasele sunt echilibrate. Se calculează ca:

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

Precizie, Recall și scor F1

Aceste indicatori sunt deosebit de utili pentru seturi de date dezechilibrate. Precizie măsoară corectitudinea predicțiilor pozitive, în timp ce reamintește măsurile capacitatea de a găsi toate cazurile pozitive. Scorul F1 combină ambele într-un singur metric.

Calculele sunt următoarele:

  • Precizie = Adevărate pozitive / (Adevărate pozitive + fals pozitive)
  • Rechemare = Adevărate pozitive / (Adevărate pozitive + fals negative)
  • Scor F1 = 2 * (Precizie * Recall) / (Precizie + Recall)

Calculare practică

În practică, aceste indicatori sunt calculaţi folosind biblioteci precum scik-learn în Python. După ce obţine predicţii din reţeaua neurală, indicatorii funcţionează automat calcula valorile bazate pe etichete adevărate şi etichete prezise.

De exemplu, folosind scikit-learn:

de la sklearn.metrics import exactity score, exactity score, remove score, f1 score

acuratețe score (y true, y pred)

În mod similar, precizia, rechemarea și scorul F1 sunt calculate cu funcțiile lor respective.