Вимірювання точності моделі глибокого навчання є важливим для оцінки його продуктивності. Різні метрики використовуються в залежності від типу проблеми, таких як класифікація або регресія. Розуміння цих метриків допомагає у виборі найкращої моделі для конкретного застосування.

Загальні метри для класифікація моделей

Для задач класифікації, точність є найбільш прямими метричними. Розраховує пропорції правильних прогнозів з усіх передбачень, що зроблені. Однак інші метрики забезпечують більш детальні інсайти, особливо з небалансованими даними.

Ключові завдання для оцінювання

  • Порада:. Співвідношення істинних позитивних прогнозів до загальної прогнозованої позитивності.
  • Recall: Співвідношення істинних позитивних прогнозів до всіх реальних позитивних позитивів.
  • F1 Оцінка:] гармонікно-примітка точності і згадки, балансування як метрика.
  • Confusion Matrix: Столик показує справжні позитивні емоції, помилкові позитивні відчуття, істинні негативні відчуття, і помилкові негативні негативні негативні відчуття.

Розрахунок метриків

Метричні речовини розраховуються за допомогою підрахунків з матриці сплутаності. Наприклад, точність обчислюється як TP / (TP + FP)], де TP є істинними позитивами і FP є помилковими позитивами. Аналогічно, згадка TP / (TP + FN)].

Метричні елементи для моделей рефракції

У задачах регресія, метрики зосереджені на різниці між прогнозованими та фактичними значеннями. Загальні метрики включають в себе Квадратну помилку (MSE), означають абсолютну помилку (MAE), а також R-squared.

Редакція

Вибір правильної метрики залежить від типу проблеми і конкретних цілей. Оцінка запобіжника забезпечує добре і відповідає бажаним стандартам точності.