Khả năng học tập siêu giám sát bao gồm việc đào tạo mô hình để dự đoán dựa trên dữ liệu có nhãn. Đánh giá hiệu suất của các mô hình này đòi hỏi tính toán độ chính xác và đo lỗi khác nhau. Những số đo đo đo này giúp xác định kết quả dự đoán tốt và xác định vùng để cải thiện.

Hiểu chính xác về lời tiên đoán

Tính chính xác dự đoán đo tỷ lệ của dự đoán đúng do mô hình tạo ra. Nó thường được dùng cho phân loại các công việc nơi kết quả được phân loại. Độ chính xác cao hơn cho thấy hiệu suất mô hình tốt hơn.

Để tính chính xác, hãy chia số dự đoán chính xác cho tổng số dự đoán:

Khả năng chấp nhận = (Num of right Promions) / (Total Protal Proctions) )

Bộ đo lỗi chung

Đối với các tác vụ hồi quy, nơi các dự đoán là giá trị liên tục, lỗi đo lường sự khác biệt giữa các giá trị đã dự đoán và các giá trị thật. Các số đo chung bao gồm có nghĩa là lỗi nghiêm trọng (MAE), có nghĩa là lỗi bình phương (MSE), và Root mean Squared error (RMSE).

Những thước đo này được tính như sau:

  • [FLT: 0]MAE: trung bình của sự khác biệt tuyệt đối giữa dự đoán và thực tế giá trị.
  • MS: trung bình của sự khác biệt bình phương giữa dự đoán và thực tế giá trị.
  • RMSE: Căn bậc 2 của MSE, cung cấp lỗi trong đơn vị gốc.

Giá trị thấp hơn cho những thước đo này cho thấy hiệu suất mô hình tốt hơn.

Thực hành các phương pháp

Hầu hết các thư viện học tập máy cung cấp các chức năng để tính toán những số đo lường này một cách dễ dàng. Ví dụ, trong thư viện của Python, các chức năng như [FLT: 0], , và ) thường được sử dụng.

Điều quan trọng là chọn một thước đo thích hợp dựa trên loại nhiệm vụ phân loại hoặc hồi quy và các mục tiêu cụ thể của đánh giá mô hình.