Mahalaga ang pagkaunawa kung paano mag - aaral ng mga solusyon sa paggamit ng mga neural network para makagawa ng mga makinang magagamit sa pag - aaral.

Mahalagang mga Metika sa Pagganap

Ilang mga metriko ang ginagamit upang suriin ang mga modelong neural network, bawat isa ay nagbibigay ng iba't ibang mga kabatiran sa modelong pagganap.Ang pinakakaraniwan ay kinabibilangan ng katumpakan, prekwensiya, pag-aalala, iskor na F1, at ang magulong material.

Pagkalkula sa Pagiging Tama

Ang tumpak na mga pagtantiya ay sumusukat sa proporsiyon ng tamang mga prediksiyon mula sa lahat ng mga hulang ginawa, at ito'y kinakalkula bilang:

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

Iba Pang mga Kakapusan at ang Kanilang mga Pagkalkula

Ang precision at recalation ay partikular na kapaki-pakinabang sa hindi balanseng datasets. Ang precision ay nagpapakita ng proporsiyon ng tunay na positibong mga prediksiyon sa gitna ng lahat ng mga positibong prediksiyon, habang ang pag-aalala ay sumusukat ng proporsiyon ng mga aktuwal na positibong mga tama na matukoy.

Ang iskor na F1 ay nagsasama ng prekwensiya at nag-aalala sa isang metriko, na kinakalkula bilang ang harmonikong kahulugan ng dalawa:

F1 Score = 2 * (Precision * Remember) / (Precision + Remember)

Paggamit ng Kaguluhan

Ang kalituhang ito ay binubuod ang mga resulta ng pag - iindorso sa mga resulta tungo sa tunay na mga positibo, maling mga positibo, tunay na mga negatibo, at maling mga negatibong mga bagay.

  • Tunay na Positibo (TP)
  • Maling Positibo (FP)
  • Tunay na Negatibo (TN)
  • Huwad na Negatibo (FN)