การจําแนกผลแบบอย่าง: การคํานวณและการวัดวัดการลดโทษโลกแห่งความเป็นจริง

การจําแนกประสิทธิภาพของโมเดลการเรียนรู้ของเครื่องจักร จําเป็นอย่างยิ่งในการทําความเข้าใจถึง ประสิทธิภาพในโปรแกรมประยุกต์ในโลกแห่งความจริง

การ วัด ความ สําเร็จ ทั่ว ไป

มี การ ใช้ เมทริก หลาย ชนิด เพื่อ ประเมิน ความ สําเร็จ ของ รุ่น ขึ้น อยู่ กับ ชนิด ของ งาน สําหรับ ปัญหา การ แบ่ง ประเภท ความ ถูก ต้อง แม่นยํา จํา และ คะแนน เอฟ 1 มัก ใช้ กัน บ่อย ๆ สําหรับ งาน ที่ ผิด พลาด แบบ เมทริก เช่น ความ ผิด ปกติ สัมบูรณ์ (ME), ความ ผิด ปกติ ที่ เกิด กับ การ ผิด ปกติ (MSE), และ R-Traquare เป็น งาน ที่ ทํา กัน ทั่ว ไป

การ คํานวณ วิธี การ แบ่ง ประเภท

การรวมกลุ่มของเมทริกซ์สร้างโครงสร้างของเมทริกซ์หลายประเภท ประกอบไปด้วยค่าบวก (TP), ค่าบวกเท็จ (FP), ค่าลบ (TN), และค่าลบเท็จ (FN). การคํานวณเป็น:

[FLT: 0] acccution= (TP + TN) / (TP + FP + TN + FN)[FLT: 1]

การพิสูจน์สัดส่วนของ ID ที่เป็นบวกที่ถูกต้อง

[FLT: 0]. precces= TP / (TP + FP)

จํา ไว้ ว่า การ ระบุ ว่า มี การ คิด บวก จริง ๆ นั้น มี อัตรา ส่วน เท่า ไร:

[FLT: 0]. เรคอล= TP / (TP + FN)

การ คํานวณ ความ ผิด ปกติ ใน การ ถอย กลับ

ค่า metrics ถดถอย หาค่าผลต่างระหว่างค่าที่คาดการณ์ไว้ และค่าจริง ค่าที่ผิดพลาดสัมบูรณ์ (MAE) จะถูกคํานวณเป็น:

[FLT: 0]] มาเอ = (1/n) * ⁇ ⁇ ⁇ ⁇ _{] i}] – ⁇ _{] ] [FLLTT:4]][[FLTT:5]}

มีข้อผิดพลาด (MSE) เข้มงวดกับข้อผิดพลาดที่มากขึ้น:

[FLT: 0]]. สืบค้นเมื่อ 17 พฤษภาคม 2555. สืบค้นเมื่อ 20 พฤษภาคม 2559.

R กําลังสอง บ่งชี้ว่าสัดส่วนของความแปรปรวน อธิบายโดยโมเดล:

[FLT: 0]. อาร์² = 1 - (S_{. สืบค้น [FLT: 4]. SS] To[FLT: 6] [FLTT: ] [FLTTT: 7].}

รูปแบบการวน

การเลือกวัดที่เหมาะสม ขึ้นอยู่กับปัญหาและเป้าหมายเฉพาะ. การคํานวณและตีความที่เหมาะสมของเมตริกเหล่านี้มีความสําคัญมากสําหรับการใช้งานโมเดลการเรียนรู้เครื่องมีประสิทธิภาพในสถานการณ์โลกจริง