Süpervize öğrenme, etiketli verilere dayalı tahminler yapmak için eğitim modelleri içerir. Bu modellerin performansını değerlendirmek çeşitli doğruluk ve hata ölçümlerini hesaplamak gerekir. Bu metrikler, modelin sonuçları ve geliştirme alanlarının nasıl iyi olduğunu belirlemeye yardımcı olur.

Prediction Hassasiyet

Prediction doğruluk, model tarafından yapılan doğru tahminlerin oranını ölçer. Genellikle sonuçların kategorik olduğunu sınıflandırma görevleri için kullanılır. Higher Truth daha iyi model performansını gösterir.

Doğruyu hesaplamak için, toplam tahmin sayısına göre doğru tahminlerin sayısını ayırın:

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

Yaygın Hata Ölçümleri

Regresyon görevleri için tahminlerin sürekli değerleri nerede, hata ölçümleri tahmin edilen ve gerçek değerlerin arasındaki farkı ölçmektedir. Common metrics, mean Squared Error (MSE), ve Root Mean Mean (RMSE) anlamına gelir.

Bu ölçümler aşağıdaki gibi hesaplanır:

  • [FONT:0)MAE:[Dönlenen ve gerçek değerler arasındaki mutlak farklılıkların ortalaması.
  • [FONT:0)MSE:[Dönlenen ve gerçek değerler arasındaki karesel farklılıkların ortalaması.
  • [FONT:0)RMSE: MSE'nin Square kökü, orijinal birimlerde hata sağlamak.

Bu metrikler için düşük değerler daha iyi model performansı gösterir.

Uygulamada Metrikleri Uygulamayı Uygulamayı

Çoğu makine öğrenme kütüphanesi bu ölçümleri kolayca hesaplamak için işlevleri sağlar. Örneğin, Python'un scikit-do kütüphanesinde, [[Üyetim:0), [[ŞUygunT:1) ve [[Dönetici:2) gibi fonksiyonlar yaygın olarak kullanılır.

Görev türüne göre uygun metrik seçmek önemlidir - sınıflama veya regresyon - ve model değerlendirmenin belirli hedefleri.