Makine öğrenme modellerinin performansını değerlendirmek, etkinliğini anlamak önemlidir. denetimli öğrenmede, doğruluk, hassasiyet gibi ölçümler ve hatırlama genellikle bir modelin sonuçları nasıl iyi tahmin ettiğini ölçmek için kullanılır.
Doğrul doğruluk
Yapılan tüm tahminlerin doğru tahminlerin oranını ölçer. Toplam tahmin sayısına göre doğru tahminlerin sayısını ikiye bölmek suretiyle hesaplanır.
Doğruluk yararlı olsa da, bir sınıfın hükmeddiği dengesiz veri setlerinde yanıltıcı olabilir. Bu tür durumlarda, diğer metrikler model performansına daha iyi öngörüler sağlar.
Hassasiyet ve Recall
Hassasiyet, model tarafından yapılan tüm olumlu tahminlerin arasındaki gerçek olumlu tahminlerin oranını gösterir. Modelin yanlış pozitiflerden kaçınma yeteneğini yansıtmaktadır.
Recall, aynı zamanda duyarlı olarak da bilinir, model tarafından doğru şekilde tespit edilen gerçek pozitiflerin oranını ölçer. Modelin olumlu vakaları nasıl iyi algıladığını gösterir.
Topları hesaplamak
Bu ölçümler, gerçek pozitifleri (TP), yanlış pozitifleri (FP), gerçek negatifleri (TN), ve yanlış negatif negatifleri (FN).
Formulaler:
- [0])))))) (TP + TN) / (TP + FP + TN + FN)
- [FONT:0) Sonuç: [Dönetici: [Dönetici: [Dönetici: [Döne: 0,0)
- [FONT:0)Recall:[Dönem:[Dönem:[Dönem:)