Förstå hur man utvärderar maskininlärningsmodeller är avgörande för att utveckla effektiva algoritmer. Två gemensamma mätvärden är noggrannhet och precision. Dessa mätvärden hjälper till att bestämma hur bra en modell utför på en viss datamängd.

Vad är Model Accuracy?

Noggrannhet mäter andelen korrekta förutsägelser som modellen gjort av alla förutsägelser. Det beräknas genom att dela antalet korrekta förutsägelser med det totala antalet förutsägelser.

Formeln för noggrannhet är:

Noggrannhet = (Antalet korrekta förutsägelser) / (Totala förutsägelser)]

Noggrannhet är användbar när datamängden har balanserade klasser, men det kan vara vilseledande om klasserna är obalanserade.

Vad är Model Precision?

Precision mäter andelen sanna positiva förutsägelser av alla positiva förutsägelser som modellen gör. Det indikerar hur många av de förutspådda positiva fallen som faktiskt är positiva.

Formeln för precision är:

]Precision = (Sanna positiva) / (Sanna positiva + falska positiva)]

Hög precision innebär att när modellen förutsäger positivt är det vanligtvis korrekt. Det är särskilt viktigt i scenarier där falska positiva är kostsamma.

Hur man beräknar dessa mätvärden

För att beräkna noggrannhet och precision behöver du en förvirringsmatris som sammanfattar förutsägelseresultaten i fyra kategorier: sanna positiva, sanna negativa, falska positiva och falska negativa.

När du har dessa värden, koppla dem till formlerna för att beräkna mätvärdena. Många maskininlärningsbibliotek, såsom scikit-learn, ger funktioner för att beräkna noggrannhet och precision direkt.

  • Förvirringsmatris
  • Sanna positiva (TP)
  • Falska positiva (FP)
  • Sanna negativ (TN)
  • Falska negativ (FN)