Ang pag-aaral ng pagganap ng mga modelo ng pagkatuto ng makina ay mahalaga upang maunawaan ang kanilang bisa. Sa pinangangasiwaang pagkatuto, ang mga metriko gaya ng katumpakan, prekwensiya, at pag-aalala ay karaniwang ginagamit upang sukatin kung gaano kahusay na humuhula ng kalalabasan ng isang modelo.

Pagiging Makatuwiran

Ang tumpak na mga pagtantiya ay sumusukat sa proporsiyon ng wastong mga prediksiyon mula sa lahat ng mga hulang ginawa, na kinakalkula sa pamamagitan ng paghahati sa bilang ng wastong mga prediksiyon sa pamamagitan ng kabuuang bilang ng mga prediksiyon.

Bagaman kapaki-pakinabang ang katumpakan, maaari itong makaligaw sa hindi balanseng datasets kung saan nangingibabaw ang isang klase. sa gayong mga kaso, ang ibang mga metriko ay nagbibigay ng mas mabuting mga kabatiran sa huwarang pagganap.

Pag - alaala at Pag - alaala

Ang precision ay nagpapakita ng proporsiyon ng mga tunay na positibong prediksiyon kabilang ang lahat ng mga positibong prediksiyon na ginawa ng modelo.Ito ay sumasalamin sa kakayahan ng modelo na umiwas sa mga maling positibo.

Maaalaala mo ba, kilala rin bilang sensitivity, ang sukat ng aktuwal na mga positibong tama na nakikilala ng modelo?

Pagkalkula sa mga Metric

Ang mga metrikong ito ay hinango mula sa nakalilitong matrix, na bumubuod sa tunay na mga positibo (TP), maling positibo (FP), tunay na mga negatibo (TN), at mga hindi tunay na negatibo (FN).

Mga formulas:

  • [[Curbacy: (TP + TN) / (TP + FP + TN + FN)
  • [[[TCLT:1] TP / (TP + FP)
  • [Talaksan: TP / (TP + FN)