Основная цель метрик оценки производительности — найти положение целевого объекта. Были решены различные вопросы сравнения, которые позволяют выразить особенности. Здесь цель отслеживается в отношении литературы, где все время рассчитывается процент. После появления проблемы оценка производительности трассировщика стала аспектной. Метрики, разработанные для позиционного трекера, были оценены относительно реальных траекторий.

Показатели оценки производительности в машинном обучении

С учетом показателей оценки измеряется и оценивается производительность модели классификации. Здесь входное значение вероятности находится в диапазоне от 0 до 1. Мы можем понять это, дифференцируя скорость (точность). Мы можем определить точность, сделав процент, где все правильные прогнозы, чтобы проверить данные. Мы можем разделить количество правильных прогнозов на общее количество прогнозов.

Показатели оценки являются привычными для измерения стандарта прикладной математики или модели машинного обучения. Существует квадратичная мера множество различных видов анализа метрик на рынке чтобы проверить модель. Они воплощают точность классификации, мощность потери, матрицу путаницы и другие.

Типы прогнозных моделей

Говоря о прогностических моделях, мы рассматриваем две модели: модель регрессии или модель классификации. В обеих этих моделях используются разные метрики оценки.

Таким образом, в задачах классификации мы можем создавать различные виды вывода:

  1. Выход класса
  2. Вероятностный вывод

Вот так,

  1. Вывод класса. Здесь мы рассматриваем два алгоритма, т. е. который создает вывод класса. В случае, например, выходы, которые мы получаем, могут быть либо 0, либо 1, это происходит в задаче двоичной классификации. Учитывая современный мир, у нас есть алгоритмы, которые преобразуют выходные данные класса в вероятность. Но оказалось, что эти алгоритмы не принимаются статистическим сообществом.
  2. Вероятностные выходные данные. Существует множество алгоритмов, которые выдают вероятностные выходные данные, такие как логистическая регрессия, повышение градиента, Adaboost и т. д. Чтобы создать пороговую вероятность, достаточно просто преобразовать выходные данные в выходные данные класса.

В регрессионных задачах результат, который мы получаем, всегда непрерывен по своей природе и не требует дальнейшей обработки.

1. Матрица путаницы:

Эта матрица — одна из самых простых метрик, по которой можно узнать скорость модели и ее правильность. Говорят, что это проблема классификации, потому что результат, который мы получаем, может быть любого типа.

Итак, прежде чем перейти к проблеме матрицы путаницы, скажем, здесь мы решаем проблему классификации. Зная это, мы можем изучить другие различные классификаторы. Но дело в том, что когда я начал изучать оценку производительности и матрицу путаницы, мне нужно было узнать еще много всего, что создает большую путаницу среди всех. Например, точность, f1score, точность, отзыв, положительные и отрицательные значения. Снова много путаницы создано в моей голове о каждом.