Оценка качества нейронных сетей. Алгоритмы и практические примеры. ИВВ
Чтение книги онлайн.
Читать онлайн книгу Оценка качества нейронных сетей. Алгоритмы и практические примеры - ИВВ страница 2
![Оценка качества нейронных сетей. Алгоритмы и практические примеры - ИВВ Оценка качества нейронных сетей. Алгоритмы и практические примеры - ИВВ](/cover_pre1361711.jpg)
– Общее число действительно положительных примеров (true positives + false negatives) = 95
Тогда, для вычисления точности:
– Precision = 80 / 100 = 0.8 или 80%
А для вычисления полноты:
– Recall = 80 / 95 = 0.842 или 84.2%
После этого, можно вычислить F1-меру:
– F1-Score = 2 * (0.8 * 0.842) / (0.8 +0.842) = 0.820
F1-мера для данной модели будет равна 0.820.
Алгоритм вычисления F1-меры позволяет учесть как точность, так и полноту предсказаний модели и предоставляет более сбалансированную оценку ее производительности в задачах классификации.
3. Точность (precision): это метрика, которая оценивает способность модели идентифицировать только правильные положительные примеры. Точность вычисляется как отношение числа правильно предсказанных положительных примеров к общему числу положительных предсказаний.
Алгоритм вычисления точности (precision) на основе формулы precision = (число правильно предсказанных положительных примеров) / (общее число положительных предсказаний) может быть описан следующим образом:
3.1. Получение набора данных исходных примеров и соответствующих меток классов.
3.2. Применение модели или алгоритма классификации к каждому примеру из набора данных для получения предсказанных меток классов.
3.3. Сравнение предсказанных меток с исходными метками для определения числа правильно предсказанных положительных примеров.
3.4. Счетчик правильных положительных предсказаний
3.5. Счетчик общего числа положительных предсказаний
3.6. Для каждого примера в наборе данных:
– Проверка, является ли предсказанная метка положительной (т.е., модель считает пример положительным)
– Если предсказанная метка положительная, то:
– Увеличение счетчика общего числа положительных предсказаний на 1
– Проверка, является ли предсказанная метка правильной (т.е., совпадает ли с исходной меткой класса)
– Если предсказанная метка правильная, то:
– Увеличение счетчика правильных положительных предсказаний на 1
7. Вычисление точности путем деления числа правильно предсказанных положительных примеров на общее число положительных предсказаний.
Формула для вычисления точности выглядит следующим образом:
Точность = (число правильно предсказанных положительных примеров) / (общее число положительных предсказаний)
Например, если у нас есть следующие значения:
– Число правильных предсказаний положительных примеров = 80
– Общее число положительных предсказаний = 100
Тогда, для вычисления точности:
Точность = 80 / 100 = 0.8 или 80%
Алгоритм вычисления точности позволяет определить, насколько правильно модель идентифицирует только правильные положительные примеры. Оценка точности