Оцінювання продуктивності керованих моделей навчання є важливим для розуміння їх ефективності. Для вимірювання, наскільки добре модель прогнозує результати на основі позначених даних. Ці метрики допомагають у порівнянні з моделями і вибір кращих для конкретного завдання.

Загальні характеристики

Кілька метриків широко використовуються для оцінки керованих моделей навчання. Вибір метричного залежить від типу проблеми, таких як класифікація або регресія. Розуміння цих метриків дозволяє краще інтерпретувати результати моделі.

Метрологія класифікації

У задачах класифікації, загальні метрики включають точність, точність, згадування та оцінку F1. Ці метрики оцінювати різні аспекти здатності моделі правильно прогнозувати етикетки класу.

Акумулятор

Точність вимірює пропорцію правильної прогнозів загальних прогнозів. Розраховується як:

Accuracy = (Трейв Позитивний + True Negatives) / Загальний прогноз

Точність та відповідальність

Точність вказує на пропорцію позитивних прогнозів, які регулюються, при цьому згадують заходи пропорції фактичних позитивних відгуків правильно визначені. Розраховані вони як:

Precision = Справжні Позитивні результати / (Трейські Позитивні результати + False Позитивні результати)

Recall = Справжні Позитивні результати / (Трейські Позитивні результати + негативні негативні значення)

Метричні завдання для регістру

Модель регієта оцінюється за допомогою метрики, таких як Mean Absolute (MAE), Mean Squared (MSE), R-squared. Ці метрики кварать різницю між передбачуваними і фактичними безперервними значеннями.

Меан Абсолютна помилка (MAE)

MAE розраховує середню абсолютну різницю між прогнозованими та фактичними значеннями:

MAE = Σασησησησєн - Актуальний хід / Кількість прогнозів]

Р-квадро

R-squared вказує на пропорцію варіативної мінливості, що пояснюється моделлю. Вона коливається від 0 до 1, з більш високими значеннями, що вказують на краще придатність.

Ці показники забезпечують кількісну основу для оцінки та порівняння продуктивності моделі в надвізних задачах навчання.