Denetimli öğrenme modellerinin performansını değerlendirmek, etkinliğini anlamak için önemlidir. Çeşitli ölçümler, etiketli verilere dayanan bir model tahminlerinin nasıl iyi olduğunu ölçmek için kullanılır.Bu metrikler modelleri karşılaştırıp belirli bir görev için en iyi olanı seçmede yardımcı olur.

Ortak Performans Metrikleri

Denetimli öğrenme modellerini değerlendirmek için çeşitli ölçümler yaygın olarak kullanılır. metrik seçimi, sınıflandırma veya regresyon gibi problem türüne bağlıdır.Bu metrikler model sonuçlarının daha iyi yorumlanmasına olanak sağlar.

Sınıflandırma için Toplayıcılar

Sınıf görevlerinde, ortak ölçümler doğruluk, hassasiyet, hatırlama ve F1 puan içerir. Bu metrikler, sınıf etiketleri doğru bir şekilde tahmin etme yeteneğine sahip olan modelin farklı yönlerini değerlendirir.

Doğrul doğruluk

Doğru tahminlerin toplam tahminlerden üzerindeki oranı ölçer. Bu, şöyle hesaplanır:

[0]))))))))) (Gerçek Olumlular + Gerçek Olumsuzlar) / Toplam Tahminler).

Hassasiyet ve Recall

Hassasiyet doğru olan olumlu tahminlerin oranını gösterirken, gerçek pozitiflerin oranını doğru bir şekilde tespit ettiklerinde hesaplanırlar:

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

[0]Recall = TruePos / (Gerçek Olumlular + Yanlış Olumsuzlar)).

Regresyon için Meleksiyon

Regresyon modelleri, mutlak hata (MAE) gibi ölçümlerin kullanılmasıyla değerlendiriliyor, ortalama Squared Hata (MSE), ve R-squared. Bu metrikler tahmin edilen ve gerçek sürekli değerler arasındaki farkı ölçüyor.

Mutlak Hata (MAE)

MAE tahmin edilen ve gerçek değerler arasındaki ortalama mutlak farkı hesaplar:

[FONT=0)MAE = ⁇ |Öyle - Tahmin edilenler (Döncüler) / Sayı[Döncüler 1 )

R-squared

R-squared, model tarafından açıklanan bağımlı değişkendeki varyanmanın oranını gösterir. 0 ila 1 arasında, daha iyi uyum gösteren daha yüksek değerlere sahip.

Bu ölçümler, denetimli öğrenme görevlerinde modelleme ve karşılaştırma model performansını değerlendirmek için sayısal bir temel sağlar.