Оцінювання точності нейромереж є важливим для розуміння їх виконання на конкретних задачах. Для вимірювання моделі передбачені різні метрики, які дозволяють вимірювати, як і проточувати або класифікувати дані. У статті розглянуто загальні метрики і як вони практично комп'ютерні.

Акумулятор

Точність вимірює пропорцію правильної прогнозів з усіх передбачень, що проводиться. Розраховується шляхом поділу кількості правильних прогнозів загальною кількістю прогнозів.

Для задач класифікації, точність є прямими метричними, особливо якщо класи збалансовані. Вона комп’ютерна як:

Accuracy = (Кількість правильних прогнозів) / (Всього прогнозів)

Точність, Нагадаємо, та F1 Оцінка

Ці метрики особливо корисні для небалансованих даних. Точність заходів, які регулюють правильність позитивних прогнозів, при цьому згадують заходи, які дозволяють знайти всі позитивні екземпляри. Оцінка F1 поєднує як в єдиному метричному діапазоні.

Розрахунок:

  • Precision = Справжні Позитивні результати / (Трейські Позитивні результати + False Позитивні результати)
  • Recall = Справжні Позитивні результати / (Трейські Позитивні результати + негативні негативні значення)
  • F1 Оцінка = 2 * (Повага * Резюлл) / (Позначення + Резюлл)

Практична комп’ютерна відповідальність

У практиці ці метрики комп’ютерні за допомогою бібліотек, таких як scikit-learn на Python. Після отримання прогнозів з нейромереж, метрики автоматично розраховують значення на основі істинних етикеток і прогнозують етикетки.

Наприклад, за допомогою скикот-листа:

] з sklearn.metrics import Precision score, precision score, згадка score, f1 score[

acuracy = Точність score(y true, y pred)

Аналогічно, точність, згадка та F1 бал комп’ютерні функції.