Mahalaga ang pagsukat sa katumpakan ng isang malalim na modelo sa pagkatuto upang masuri ang pagganap nito. iba't ibang mga metriko ang ginagamit depende sa uri ng problema, katulad ng klasipikasyon o regresyon.Ang pag-unawa sa mga metrikong ito ay tumutulong sa pagpili ng pinakamahusay na modelo para sa isang espesipikong aplikasyon.

Karaniwang mga Kaaya - ayang Paraan ng mga Modelo sa Pag - uuri

Para sa mga gawaing klasipikasyon, ang katumpakan ang pinakamalinaw na metric. kinakalkula nito ang proporsiyon ng mga tamang prediksiyon mula sa lahat ng mga nagawang prediksiyon. Gayunpaman, ang ibang mga metric ay nagbibigay ng mas detalyadong mga kabatiran, lalo na sa hindi balanseng datasets.

Mga Pangunahing Metika Para sa Pag - aalis ng Tubig

  • [ Ang ratio ng tunay na positibong mga hula sa kabuuang hinulaang mga positibo.
  • [Talaksan:] Ang tumbasan ng tunay na positibong mga hula sa lahat ng mga aktuwal na positibo.
  • F1 Score: Ang harmonikong kahulugan ng prekwensiya at pag-aalala, pagbalanse ng parehong mga metriko.
  • Confusion Matrix: Isang mesa na nagpapakita ng tunay na mga positibo, maling positibo, tunay na negatibo, at maling negatibong mga negatibo.

Pagkalkula sa mga Kaaya - ayang Bagay

Ang mga metriko ay kinakalkula gamit ang mga aspeto mula sa magulong matrix. Halimbawa, ang prekwensiya ay kinakalkula bilang TP / (TP + FP), kung saan ang TP ay tunay na positibo at ang FP ay hindi tunay na positibo.[3], ang alaala ay TP / (TP + FN)[.

Mga Kaaya - ayang Paraan ng Regressiyon

Sa mga atas na regresyon, ang mga metriko ay nakatuon sa pagkakaiba sa pagitan ng hinulaan at aktuwal na mga halaga. ang mga karaniwang metric ay kinabibilangan ng metrikong pagkakamali (MSE), na nangangahulugang absolutong pagkakamali (MAE), at R-squared.

Sumaryo

Ang tamang pagpili ng metriko ay depende sa problemang uri at espesipikong mga tunguhin.