Mahalaga ang pag-unawa kung paano susuriin ang mga modelo sa pagkatuto ng makina para sa pagpapaunlad ng epektibong mga algorithm. Dalawang karaniwang mga metriko ang katumpakan at prekwensiya.Ang mga metrikong ito ay tumutulong sa pag-alam kung gaano kahusay ang isang modelo sa isang ibinigay na dataset.
Ano ba ang Pamantayang Modelo?
Ang tumpak na mga pagtantiya ay sumusukat sa proporsiyon ng tamang mga prediksiyon na ginawa ng modelo mula sa lahat ng mga prediksiyon.
Ang pormula para sa kawastuan ay:
Accuracy = (Numero ng Tamang mga Hula) / (Total Predictions)[
Ang pagiging tumpak ay kapaki - pakinabang kapag ang dataset ay may timbang na mga klase, subalit maaaring makalinlang kung ang mga klase ay hindi timbang.
Ano ba ang Modelong Pag - iingat?
Ang precision ay sumusukat ng proporsiyon ng mga tunay na positibong prediksiyon mula sa lahat ng mga positibong prediksiyon na ginawa ng modelo. ito ay nagpapakita kung ilan sa mga hinulaang positibong kaso ay aktuwal na positibo.
Ang pormula para sa prekwensiya ay:
[[Parecision = (Tunay na Positibo) / (Tunay na Positibo + Maling Positibo)[
Ang mataas na prekwensiya ay nangangahulugang kapag ang modelo ay humuhula ng positibo, ito ay karaniwang tama. ito ay lalo nang mahalaga sa mga senaryo kung saan ang mga maling positibo ay magastos.
Kung Paano Pagkalkulahin ang mga Kauriang Ito
Upang matantiya ang katumpakan at katumpakan, kailangan mo ng nakalilitong matrix, na bumubuod sa hula ay nagbubunga ng apat na kategorya: tunay na positibo, tunay na negatibo, di - tunay na positibo, at maling negatibong mga negatibo.
Kapag mayroon ka na ng ganitong mga halaga, i-publish ang mga ito sa pormula upang i-commit ang mga metriko. Maraming machine learning aklatan, tulad ng scikit-tlearning, ay nagbibigay ng mga tungkulin upang eksaktong makalkula at presipitasyon.
- Kaguluhan sa Isipan
- Tunay na mga Positibo (TP)
- Maling mga Positibo (FP)
- Tunay na mga Negatibo (TN)
- Maling mga Negatibo (FN)