วิธี การ ที่ ใช้ ได้ ผล ใน การ วิเคราะห์ แบบ อย่าง อย่าง อย่าง ลึก ซึ้ง

การ ประเมิน ผล งาน ของ แบบ จําลอง การ เรียน รู้ ที่ ลึก ซึ้ง เป็น สิ่ง จําเป็น เพื่อ จะ เข้าใจ ประสิทธิภาพ และ ความ น่า เชื่อ ถือ ของ มัน.

การ วัด ความ สําเร็จ ทั่ว ไป

มี การ ใช้ นาฬิกา วัด หลาย ตัว อย่าง เพื่อ ประเมิน แบบ จําลอง การ เรียน รู้ ที่ ลึก ซึ้ง โดย เฉพาะ ใน การ จัด ประเภท และ งาน ที่ ผิด ปกติ.

การ แบ่ง ประเภท

สําหรับงานจําแนกประเภท minications ทั่วไปรวมถึง ความแม่นยํา ความแม่นยํา, การจดจํา, และคะแนน F1. เมตรากรเหล่านี้ประเมินด้านต่างๆ ของความสามารถในการทํานายของแบบจําลอง.

ความละเอียด

ความ เที่ยง ตรง เป็น ประโยชน์ มาก ที่ สุด เมื่อ คลาส เรียน สมดุล.

การ คิด และ การ ระลึก ถึง

การ คาด การณ์ ใน แง่ บวก บ่ง ชี้ ถึง สัดส่วน ของ การ ทํานาย ที่ เป็น จริง ใน การ ทํานาย ใน แง่ บวก ทุก อย่าง ขณะ ที่ การ ระลึก ถึง การ วัด อัตรา ส่วน ของ การ คิด บวก ที่ แท้ จริง นั้น ระบุ ได้ อย่าง ถูก ต้อง.

คะแนน F1

ผล คะแนน เอฟ1 รวม ความ เที่ยง ตรง และ จํา ได้ เป็น นาฬิกา เรือน เดียว ซึ่ง ให้ การ วัด ความ สมดุล โดย เฉพาะ เมื่อ ห้อง เรียน ไม่ สมดุล.

การ ปรับ ตัว ให้ เข้า กับ สภาพ การณ์ ที่ ยาก ลําบาก

มีการประเมินค่าแบบจําลองการถดถอยโดยใช้เมตริกที่วัดความแตกต่างระหว่างค่าที่คาดการณ์และค่าจริง. เมตริกทั่วไปรวมถึงข้อผิดพลาดสัมบูรณ์ (MAE), ค่าคลาดเคลื่อนเฉลี่ย (MSE), และ R-quare.

สัมบูรณ์ผิดพลาด (MAE)

MET คํานวณผลต่างสัมบูรณ์เฉลี่ยระหว่างค่าทํานายกับค่าจริง ระบุว่าค่าทํานายเฉลี่ยเป็นเท่าไหร่

ค่าเฉลี่ยกําลังสองผิดพลาด (MSE)

MSE วัดความแตกต่างเฉลี่ยกําลังสอง ลงโทษความผิดพลาดที่มีขนาดใหญ่กว่า MET

สี่เหลี่ยม

R กําลังสอง บ่งชี้ว่าสัดส่วนของความแปรปรวน ในข้อมูลที่อธิบายโดยโมเดล โดยมีค่าใกล้ 1 แทนความเท่ากัน

กราฟข้าม

วิธีการข้ามผ่านระบบแบบคํานวณได้ เช่น การจัดวางแนวการข้ามแบบ k เกลียว ช่วยประเมินความสามารถทั่วไปของแบบจําลอง โดยการจัดแบ่งข้อมูลเป็นการจัดลําดับและการทดสอบหลาย ๆ ครั้ง

วิธีการนี้ลดการปรับเกินขนาด และให้ค่าประมาณของผลงานตัวอย่างที่เชื่อถือได้มากขึ้น โดยผ่านสับเซตข้อมูลต่างๆ