Đánh giá hiệu suất của máy học mô hình là thiết yếu để xác định hiệu quả của chúng trong ứng dụng thực tế. đo lường đúng và tính toán giúp hiểu làm thế nào tốt một mô hình dự đoán kết quả và nơi cần cải thiện.

Y học biểu diễn

Một số số số đo được dùng để đánh giá hiệu suất mô hình, phụ thuộc vào loại vấn đề. Để phân loại các công việc, độ chính xác, sự chính xác, nhớ lại và F1 điểm thường được dùng. Đối với hồi quy, số đo như điểm xấu kiểu Ý (MAE), có nghĩa là lỗi bình phương (MSE), và R- bình phương là tiêu chuẩn.

Tính toán các chuyên môn

Các mô hình được tính toán dựa trên các dự đoán của mô hình và kết quả thực tế. ví dụ, chính xác là tỷ lệ của dự đoán đúng để tổng dự đoán. chính xác đo tỷ lệ của tích cực thực sự giữa các tích cực dự đoán, trong khi nhớ lại chỉ ra tỷ lệ tích cực đúng được xác định giữa tất cả các tích cực thực tế.

Số đo lại như MAE tính toán sự khác biệt tuyệt đối giữa các giá trị dự đoán và thực tế, cung cấp sự hiểu biết vào các lỗi dự đoán. R- vuông cho thấy tỷ lệ biến đổi được giải thích bởi mô hình.

Thực hành giải thích được kết quả

Giải thích các chuyên gia bao hàm việc hiểu bối cảnh của vấn đề. Độ chính xác cao có thể sai trong bộ dữ liệu cân bằng, nơi các thiết bị đo lường khác như độ chính xác và sự nhớ lại cung cấp sự hiểu biết tốt hơn. Đối với hồi quy, giá trị phụ thuộc và MEEE thấp hơn thì biểu thị hiệu suất tốt hơn, trong khi giá trị R bình phương cao hơn đề nghị một mô hình chính xác hơn.

Những chú ý khác

  • Chất lượng dữ liệu và tiến trình sẵn
  • Quá hợp lý và không phù hợp
  • Độ phức tạp mô hình
  • Kiểm tra kỹ thuật