Оценка точности нейронных сетей: общие метрики и их практические вычисления

Оценка точности нейронных сетей необходима для понимания их эффективности при выполнении конкретных задач. Для измерения того, насколько хорошо модель предсказывает или классифицирует данные, используются различные метрики. В данной статье рассматриваются общие метрики и то, как они практически вычисляются.

точность

Точность измеряет долю правильных предсказаний из всех сделанных предсказаний. Она рассчитывается путем деления числа правильных предсказаний на общее число предсказаний.

Для задач классификации точность является простой метрической, особенно когда классы сбалансированы.

Точность = (Количество правильных предсказаний) / (Общее предсказание)

Точность, отзыв и оценка F1

Эти метрики особенно полезны для несбалансированных наборов данных. Точность измеряет правильность положительных прогнозов, а вспоминаемость измеряет способность находить все положительные экземпляры. Оценка F1 объединяет оба в единую метрику.

Расчеты следующие:

• Точность = Истинные Положительные / (Истинные Положительные + Ложные Положительные)
• Напомним = Истинные Положительные / (Истинные Положительные + Ложные Отрицательные)
• F1 Score = 2 * (Precision * Recall) / (Precision + Recall)

Практическое вычисление

На практике эти метрики вычисляются с помощью библиотек, таких как scikit-learn в Python.После получения предсказаний от нейронной сети функции метрики автоматически вычисляют значения на основе истинных меток и предсказанных меток.

Например, используя scikit-learn:

отsklearn.metrics импортировать точность score, точность score, отзыв score, f1 score

точность = точность score(y true, y pred)

Точно так же точность, отзыв и оценка F1 вычисляются с их соответствующими функциями.