评估机器学习模型的性能对于理解其有效性至关重要。 在监督学习中,精确度、精确度和召回度等衡量标准通常用于衡量模型对结果的预测。

准确性

准确度测量所有预测中正确预测的比例,通过将正确预测的数量除以预测的总数来计算.

虽然准确性是有益的,但在一个类别占主导地位的不平衡数据集中,它却可能误导人。 在这种情况下,其他衡量标准可以更好地洞察模型的性能。

精确和召回

精度表示模型所做的所有正态预测中真实正态预测的比例,反映了模型避免假正态的能力.

回顾,也称为灵敏度,测量模型正确识别出的实际阳性的比例,显示模型检测阳性病例的好坏.

计算量子

这些衡量标准来自混淆矩阵,它总结了真实的阳性(TP),假阳性(FP),真阴性(TN)和假阴性(FN).

公式 :

  • 准确性:(TP + TN)/(TP + FP + TN + FN)
  • 精度:TP /(TP + FP)
  • 召回: TP /(TP + FN)