评估神经网络的准确性对于了解其执行具体任务的情况至关重要,使用各种衡量标准来衡量模型对数据预测或分类的好坏,本条讨论了共同的衡量标准及其实际计算方式。

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.

对于分类任务,准确性是一个简单的衡量标准,特别是在分类平衡的情况下。

准确性=(正确预测数)/(总预测数)]

精度、回忆和F1分数

这些度量衡对不平衡的数据集特别有用。精确度测量正预测的正确性,同时回顾度量所有正实例的能力。F1分数将两者合并为一个度量。

计算如下:

  • 精度=真阳性 /(真阳性 + 假阳性)
  • 召回=真正数 / (真正数 + 假负数)
  • F1分数=2 *(精度*回调)/(精度+回调)].

实际计算

在实践中,这些度量衡是使用Python的scikit-learn等库计算出来的。在从神经网络获得预测后,度量衡会自动根据真实的标签和预测的标签计算值。

例如,使用scikit-learn:

从skelarn.meters导入精度 分数,精度 分数, recall 分数, f1 分数

准确性=精度 分数(y true,y pred)

同样,精确、召回和F1的得分也按各自的功能计算。