Оцінювання продуктивності моделей машинного навчання є важливим для розуміння їх ефективності. У наглядовому навчанні метрики, такі як точність, точність, точність та згадування зазвичай використовуються для вимірювання того, як добре модель прогнозує результати.

Акумулятор

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

При цьому точність корисно, це може бути введене в оману в небалансованих даних, де домінує один клас. У таких випадках інші метрики забезпечують краще розуміння продуктивності моделі.

Точність та відповідальність

Точність вказує на пропорцію істинних позитивних прогнозів серед всіх позитивних прогнозів, які зроблені моделлю. Відображує здатність моделі уникати помилкових позитивних результатів.

Нагадаємо, також відомий як чутливість, вимірює пропорцію фактичних позитивних позитивів, які правильно визначені моделлю. Вона показує, наскільки добре модель виявить позитивні випадки.

Розрахунок метрики

Ці показники виводяться з матриці плутанини, що підбиває істинні позитивні емоції (ТП), помилкові позитивні (ФП), справжні негативні (ТН), і помилкові негативні (ФН).

Препарати:

  • Акто: (TP + TN) / (TP + FP + TN + FN)
  • Поточність:] TP / (TP + FP)
  • Recall: TP / (TP + FN)