Ang supervised learning ay kinasasangkutan ng pagsasanay ng mga modelo upang gumawa ng mga prediksiyon batay sa mga nakabase sa mga naturang data. Ang pag-aalsa sa pagganap ng mga modelong ito ay nangangailangan ng pagkalkula ng iba't ibang mga aspeto at pagkakamaling metriko. ang mga metrikong ito ay tumutulong upang malaman kung gaano kahusay ang mga resulta ng modelong paghula at matukoy ang mga area para sa pagpapabuti.

Pag - unawa sa Pagiging Tama ng Hula

Ang prekwensiya ng paghula ay sumusukat sa proporsiyon ng mga tamang prediksiyon na ginawa ng modelo. Ito ay karaniwang ginagamit para sa mga klasipikasyong gawain kung saan ang mga kinalabasan ay kategorikal. Ang mas mataas na aspeto ay nagpapahiwatig ng mas mahusay na modelong pagganap.

Upang makalkula ang katumpakan, hatiin ang bilang ng tamang mga prediksiyon sa pamamagitan ng kabuuang bilang ng mga prediksiyon:

Accuracy = (Numero ng Tamang mga Hula) / (Total Predictions)[

Karaniwang mga Katitikan sa Pagkakamali

Para sa mga gawaing regresyon, kung saan ang mga prediksiyon ay patuloy na mga pagpapahalaga, error metrics quartified ang pagkakaiba sa pagitan ng hinulaan at aktuwal na mga halaga. ang mga karaniwang metric ay kinabibilangan ng Mean Absolute Error (MAE), Mean Squared Error (MSE), at Root Mean Squared Error (RMSE).

Ang mga metrikong ito ay kinakalkula ayon sa sumusunod:

  • MAE:[1] Katamtamang bahagi ng absolutong pagkakaiba sa pagitan ng hinulaan at ng mga aktuwal na halaga.
  • MSE:[1] Katamtamang pagkakaibang parisukat sa pagitan ng hinulaan at aktuwal na mga halaga.
  • RMSE: Square root of MSE, na nagbibigay ng kamalian sa mga orihinal na yunit.

Ang mas mababang halaga para sa mga metrikong ito ay nagpapahiwatig ng mas mahusay na modelong pagganap.

Pag - aalis ng mga Katamantala sa Gawain

Karamihan sa mga aklatan ng pagkatuto ng makina ay nagbibigay ng mga tungkulin upang madaling kalkulahin ang mga metrikong ito. halimbawa, sa aklatan ng scikit-learning ng Python, ang mga tungkuling katulad ng , , at ] ay karaniwang ginagamit.

Mahalagang piliin ang angkop na metriko batay sa atas na typeificlassification o regressionimand ang mga espesipikong tunguhin ng modelong pagtatasa.