Розуміння, як оцінити моделі машинного навчання є важливим для розробки ефективних алгоритмів. Дві загальні метрики є точність і точність. Ці метрики допомагають визначити, наскільки добре модель виконує на даній Dataset.

Що таке модель Accuracy?

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

Формула для точності:

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

При цьому, якщо дані, які мають збалансовані класи, але можуть бути в курсі, якщо класи небалансовані.

Що таке модель Точність?

Точність заходів, що стосуються істинного позитиву, передбачених моделлю, є доказом того, що багато прогнозованих позитивних випадків є фактично позитивним.

Формула для точності:

Precision = (Трейські Позитивні результати) / (Трейвові позитивні результати + Фальшиві Позитивні результати)

Висока точність означає, що коли модель прогнозує позитив, вона зазвичай править. Особливо важливо в сценаріях, де помилкові позитивні позитивність.

Як розрахувати ці метрики

Для розрахунку точності і точності потрібно плутанна матриця, яка підбиває результати прогнозування в чотири категорії: істинні позитивні, істинні негативні речовини, помилкові позитивні емоції і помилкові негативні негативні негативні наслідки.

Після того, як у вас є ці значення, заблокуйте їх у формули, щоб комп’ютерно зрозуміли метрики. Багато бібліотек машинного навчання, таких як scikit-learn, забезпечують функції для обчислення точності та точності безпосередньо.

  • Матриця конфузій
  • Справжні позитивні емоції (ТП)
  • Фальшиві позитивні емоції (FP)
  • Негативні негативні речовини (ТН)
  • Фальшиві негативні речовини (FN)