Ang pag-iimbestiga sa pagganap ng mga modelo sa pagkatuto ng makina ay mahalaga sa pag-unawa ng kanilang pagiging epektibo sa mga real-world application.Ang tumpak na metrics ay tumutulong upang matukoy ang mga lakas at kahinaan, na gumagabay sa mga pagpapabuti at mga desisyon sa paglalagay.
Karaniwang mga Metric sa Pagganap
Ilang mga metric ang ginagamit upang tantiyahin ang pagganap ng modelo, depende sa task type. Para sa mga problema sa klasipikasyon, ang katumpakan, prekwensiya, pag-aalala, at F1 iskor ay madalas na ginagamit. Para sa mga regresyong gawain, karaniwan ang mga metric tulad ng Mean Absolute Error (MAE), Mean Squared Error (MSE), at R-squared.
Mga Pagkalkula sa mga Metrikong Klasipikasyon
Ang mga maririce ay bumubuo ng batayan para sa maraming mga metrics ng klasipikasyon. ang mga ito ay binubuo ng mga tunay na positibo (TP), maling positibo (FP), tunay na negatibo (TN), at mga maling negatibo (FN). Ang mga person ay kinakalkula bilang:
[Accuracy = (TP + TN) / (TP + FP + TN + FN)[
Ang precision ay sumusukat sa proporsiyon ng mga positibong pagkakakilanlan na tama:
[[Parecision = TP / (TP + FP)[
Ang paggunita ay nagpapakita ng proporsiyon ng aktuwal na mga positibong bagay na wastong nakikilala:
[Talaksan = TP / (TP + FN)
Mga Pagkalkula sa mga "Metric " ng Regression
Ang regression metrics ay tumataya sa pagkakaiba sa pagitan ng hinulaan at aktuwal na mga halaga. Ang Mesiyal na Error (MAE) ay kinakalkula bilang:
MAE = (1/n) * ⁇ [[T:1]] [ - [[[[3]i[[[[[[[[[[[[[5]]]
Para sa iyo, dapat nating tandaan ang mas malalaking pagkakamali:
MSE = (1/n) *[ [ - [[i[)[[[[[[[
Ang R-squared ay nagpapakita ng proporsiyon ng mga pagkakaiba na ipinaliwanag ng modelo:
R2[[ = 1 - (S[ [[[[[[[FLT:[[[[[[[[[[[CLT:[[[[[[[CLT:7]]]
Pagsasaayos
Ang pagpili ng angkop na mga metriko ay depende sa espesipikong problema at mga tunguhin. Ang tamang kalkulasyon at interpretasyon ng mga metrikong ito ay mahalaga sa paglalagay ng mga epektibong modelo ng pagkatuto ng makina sa mga real-world na senaryo.