Utvärdering av modellprestanda: Beräkning av noggrannhet, precision och återkalla i övervakad lärande

Utvärdering av prestanda för maskininlärningsmodeller är avgörande för att förstå deras effektivitet. I övervakad inlärning används mätvärden som noggrannhet, precision och återkallelse vanligtvis för att mäta hur bra en modell förutspår resultaten.

Noggrannhet

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

Även om noggrannhet är användbart kan det vara vilseledande i obalanserade datamängder där en klass dominerar. I sådana fall ger andra mätvärden bättre insikter i modellprestanda.

Precision och Recall

Precision indikerar andelen sanna positiva förutsägelser bland alla positiva förutsägelser som modellen gör. Det återspeglar modellens förmåga att undvika falska positiva effekter.

Återkalla, även känd som känslighet, mäter andelen faktiska positiva korrekt identifierade av modellen. Det visar hur bra modellen upptäcker positiva fall.

Beräkning av metrikerna

Dessa mätvärden härrör från förvirringsmatrisen, som sammanfattar sanna positiva (TP), falska positiva (FP), sanna negativ (TN) och falska negativ (FN).

Formler: