Sinir ağlarının doğruluğunu anlamak, performanslarını belirli görevler hakkında anlamak için önemlidir. Çeşitli ölçümler, bir modelin verileri nasıl iyi tahmin ettiğini veya sınıfsal verileri nasıl iyi tahmin ettiğini ölçmek için kullanılır.Bu makale ortak metrikleri tartışır ve nasıl neredeyse hesaplanırlar.

Doğrul doğruluk

Yapılan tüm tahminlerin doğru tahminlerin oranını ölçer. Toplam tahmin sayısına göre doğru tahminlerin sayısını ikiye bölmek suretiyle hesaplanır.

Sınıf görevleri için, doğruluk basit bir metriktir, özellikle sınıflar dengeli olduğunda.

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

Hassasiyet, Recall, ve F1 Puan

Bu ölçümler özellikle dengesiz veri kümeleri için yararlıdır. Olumlu tahminlerin doğruluğuna yönelik ölçümler, tüm olumlu örnekleri bulma yeteneğini hatırlamaya yardımcı olur. F1 puan her ikisini de tek bir metrike birleştirir.

Hesaplamalar aşağıdaki gibidir:

  • [FONT=0)Öyleçme = Gerçek Olumlular / (Gerçek Olumlular + Yanlış Olumlular)).
  • [0]Recall = TruePos / (Gerçek Olumlular + Yanlış Olumsuzlar)).
  • [0]F1 Puan = 2 * (Örnek * Recall) / (Örnek + Recall)).

Pratik Tamamlama

Pratikte, bu metrikler Python'da scikit-learn gibi kütüphaneleri kullanarak hesaplanır. Sinir ağından tahminler aldıktan sonra, metrikler otomatik olarak doğru etiketler ve tahmin edilen etiketlere dayanan değerleri hesaplar.

Örneğin, scikit-learn kullanarak:

[FONT=0) sklearn.metrics import doğruluk mark, hassas mark, hatırla mark, f1 <).

[0](y true, y pred))

Benzer şekilde, hassas, hatırla ve F1 puanları ilgili işlevleriyle hesaplanır.