Các mô hình hiệu suất mạng thần kinh là thiết yếu để đánh giá hiệu quả của mô hình học máy tính. chúng cung cấp các biện pháp định lượng để đánh giá làm thế nào một mạng thần kinh thực hiện trên một nhiệm vụ cho. hiểu những thước đo này giúp tối ưu hóa mô hình và so sánh các kiến trúc khác nhau.

Y học biểu diễn

Một số số bộ đo được dùng để đánh giá mạng thần kinh, mỗi khía cạnh khác nhau của hiệu suất. Độ chính xác, độ chính xác, sự nhớ lại và F1 là một trong những số điểm phổ biến nhất cho các nhiệm vụ phân loại. Đối với vấn đề hồi quy, số đo lường như lỗi định kỳ (MS) và có nghĩa là lỗi tuyệt đối (MAE) thường được dùng.

Chính xác và giới hạn của nó

Trong khi các dự đoán đơn giản và trực quan, nó có thể sai trong các bộ dữ liệu có độ mất cân bằng nơi một lớp thống trị. Trong những trường hợp như thế, các số đo lường khác cung cấp một đánh giá toàn diện hơn.

Hệ số đo cỡ cao để đo độ phân giải

Các nhà đo lường như vùng dưới trình quản lý tính cách thực hiện (AUC-ROC) và gọi điện thoại chính xác cung cấp sự hiểu biết vào khả năng phân biệt giữa các lớp học. Những điều này đặc biệt hữu ích khi đối phó với bộ dữ liệu bị mất cân bằng hoặc khi chi phí của tích cực sai và âm bản sai khác nhau.

Tóm tắt:

  • [FLT:] Sự kiện ) Quá trình sửa đổi các dự đoán.
  • Định nghĩa: sửa chữa những dự đoán tích cực ra khỏi tổng số dự đoán tích cực.
  • Gọi lại: sửa chữa những dự đoán tích cực từ những tích cực thực tế.
  • Điểm F1: Harmon có nghĩa là chính xác và nhớ lại.
  • MS: bình phương khác nhau giữa dự đoán và các giá trị thực tế.