Makine öğrenme modellerini nasıl değerlendireceğinizi anlamak etkili algoritmaları geliştirmek için önemlidir. İki yaygın ölçümler doğruluk ve hassastır. Bu metrikler, belirli bir veri kümesi üzerinde model nasıl performans gösterdiğini belirlemeye yardımcı olur.

Model doğruluk nedir?

Tüm tahminlerin model tarafından yapılan doğru tahminlerin oranını ölçer. Toplam tahminlerin sayısına bölünmesi ile hesaplanır.

Doğruluk formülü:

[0])))))) (Dönergeler (Toplu Öngörüler)[Dönler)[Dönler)[0)

Veri setinin dengeli sınıfları olduğunda doğruluk yararlıdır, ancak sınıflar dengesiz olup olmadığını yanıltıcı olabilir.

Model Hassasiyeti nedir?

Model tarafından yapılan tüm olumlu tahminlerin oranına göre hassas önlemler. Tahmin edilen olumlu vakaların çoğunun aslında olumlu olduğunu gösterir.

Hassasiyet formülü:

[FONT=0)Öyleme = (Gerçek Olumlular) / (Gerçek Olumlular + Yanlış Olumlular)).

Yüksek hassasiyet, model olumlu tahmin ettiğinde, genellikle doğrudur. Özellikle yanlış pozitiflerin pahalı olduğu senaryolarda önemlidir.

Bu Toplayıcıları Nasıl Hesaplayabilir

Doğruyu ve hassası hesaplamak için, tahmin sonuçlarını dört kategoriye özetleyen bir karışıklık matrisine ihtiyacınız var: gerçek pozitifler, gerçek negatifler, yanlış pozitifler ve yanlış negatif negatifler.

Bu değerleriniz olduğunda, onları metrikleri hesaplamak için formüllere yapıştırın. Birçok makine öğrenme kütüphanesi, scikit- learning gibi, doğruyu ve hassaslığı doğrudan hesaplamak için işlevleri sağlar.

  • Confüzyon matrisi
  • Gerçek pozitifler (TP)
  • Yanlış pozitifler (FP)
  • Gerçek negatifler (TN)
  • Sahte negatifler (FN)