Utvärdering av neurala nätverksnätverksnoggrannhet: Vanliga mätvärden och deras praktiska beräkningar

Utvärdering av noggrannheten hos neurala nätverk är avgörande för att förstå deras prestanda på specifika uppgifter. Olika mätvärden används för att mäta hur bra en modell förutspår eller klassificerar data. Denna artikel diskuterar gemensamma mätvärden och hur de praktiskt taget beräknas.

Noggrannhet

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

För klassificeringsuppgifter är noggrannhet en enkel metrisk, särskilt när klasserna är balanserade. Det beräknas som:

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

Precision, Recall och F1 Score

Dessa mätvärden är särskilt användbara för obalanserade datamängder. Precision mäter korrektheten av positiva förutsägelser, samtidigt som man minns mäter förmågan att hitta alla positiva instanser. F1-poängen kombinerar båda till en enda metrisk.

Beräkningar är följande:

• ]Precision = Sanna positiva/ (Sanna positiva + falska positiva)]
• Recall = Sanna positiva/(Sanna positiva) falska negativa]
• ]F1 Score = 2 * (Precision * Recall) / (Precision + Recall)]

Praktisk beräkning

I praktiken beräknas dessa mätvärden med hjälp av bibliotek som scikit-learn i Python. Efter att ha fått förutsägelser från neurala nätverket beräknar mätvärdena automatiskt de värden som bygger på sanna etiketter och förutspådda etiketter.

Till exempel, med hjälp av scikit-learn:

] från sklearn.metrics import accuracy score, precision score, recall score, f1 score]

] noggrannhet = noggrannhet score(y true, y pred)]

På samma sätt är precision, återkallelse och F1 poäng beräknade med sina respektive funktioner.