Evaluering af modellens ydeevne
Nøjagtighed, F1-score og fejlmål
Evaluering af modellens ydeevne er en gratis Lær AI med Python-lektion på CoddyKit. Dette er lektion 5 af 5. Du kan læse alle 3 lektioner i dette læringsspor gratis i deres fulde længde — derefter låser CoddyKit PRO alle lektioner op samt praktiske øvelser med en indbygget kodeeditor og en AI-underviser døgnet rundt. Den er en del af læringsforløbet i Lær AI med Python, og dine fremskridt synkroniseres på tværs af nettet og CoddyKit-appen. Lær AI med Python-kurset indeholder 5 lektioner i alt.
Målinger til evaluering af modellen
Evaluering af modellens ydeevne
Det er afgørende at evaluere en maskinlæringsmodels ydeevne for at sikre, at den er effektiv. Vi bruger målinger som nøjagtighed, præcision, genkaldelse og F1-score til klassifikationsproblemer.
Nøjagtighed
Nøjagtighed måler forholdet mellem korrekt forudsagte forekomster og det samlede antal forekomster:
Accuracy = (True Positives + True Negatives) / Total Instances
Selvom nøjagtighed er nyttig, er den alene måske ikke tilstrækkelig for ubalancerede datasæt.
Præcision
Præcision fokuserer på, hvor korrekte de positive forudsigelser er:
Precision = True Positives / (True Positives + False Positives)
Høj præcision betyder færre falsk-positive resultater.
Genkaldelse
Genkaldelse måler modellens evne til korrekt at identificere alle positive forekomster:
Recall = True Positives / (True Positives + False Negatives)
Høj genkaldelse betyder færre falsk-negative resultater.
F1-score
F1-scoren er det harmoniske gennemsnit af præcision og genkaldelse:
F1 Score = 2 * (Precision * Recall) / (Precision + Recall)
Den afvejer præcision og genkaldelse og er især nyttig til ubalancerede datasæt.
Brug af scikit-learn til evalueringsmetrikker
Scikit-learn indeholder funktioner til at beregne disse metrikker:
from sklearn.metrics import precision_score, recall_score, f1_score
precision = precision_score(y_test, y_pred)
recall = recall_score(y_test, y_pred)
f1 = f1_score(y_test, y_pred)
print(f"Precision: {precision:.2f}")
print(f"Recall: {recall:.2f}")
print(f"F1 Score: {f1:.2f}")Forvekslingsmatrix
En forvekslingsmatrix giver et detaljeret billede af modellens ydeevne:
- Sande positive (TP): Korrekte positive forudsigelser.
- Falske positive (FP): Ukorrekte positive forudsigelser.
- Sande negative (TN): Korrekte negative forudsigelser.
- Falske negative (FN): Ukorrekte negative forudsigelser.
Valg af den rigtige metrik
Valget af metrik afhænger af problemet:
- Nøjagtighed: Fungerer godt med afbalancerede datasæt.
- Præcision: Vigtigt, når falske positive resultater er omkostningsfulde.
- Genkaldelse: Afgørende, når falske negative resultater er omkostningsfulde.
- F1-score: En afbalanceret metrik til ubalancerede datasæt.
Opsummering og næste trin
I denne lektion gennemgik vi:
- Metrikker til evaluering af modellens ydeevne: nøjagtighed, præcision, genkaldelse og F1-score.
- Hvordan disse metrikker beregnes ved hjælp af scikit-learn.
- Hvordan en forvekslingsmatrix fortolkes.
Dernæst udforsker vi ikke-overvågede læringsmetoder som klyngedannelse.
Lær Python med en AI-underviser — gratis
Skriv og kør rigtig kode i din browser, få øjeblikkelig hjælp fra en AI-underviser døgnet rundt, og fortsæt, hvor du slap, på web eller i appen.
- Kurser
- 53
- Lektioner
- 225
Ofte stillede spørgsmål
Er lektionen “Evaluering af modellens ydeevne” gratis?
Ja — alle 3 lektioner i læringssporet Lær AI med Python, inklusive “Evaluering af modellens ydeevne”, kan læses gratis i deres fulde længde her på webstedet. Derefter låser CoddyKit PRO alle lektioner op samt interaktive øvelser med en indbygget kodeeditor og en AI-underviser døgnet rundt. Lær AI med Python-kurset indeholder 5 lektioner i alt.
Hvad lærer jeg i “Evaluering af modellens ydeevne”?
Nøjagtighed, F1-score og fejlmål Du øver dig i Lær AI med Python med praktisk kode, som du kører direkte i browseren, og en AI-vejleder døgnet rundt besvarer dine spørgsmål, mens du arbejder dig gennem lektionen.
Skal jeg have erfaring for at begynde på Lær AI med Python?
Der kræves ingen tidligere erfaring. Lær AI med Python på CoddyKit er tilrettelagt for både begyndere og øvede, så du kan starte her eller fra begyndelsen og lære i dit eget tempo. Dette er lektion 5 af 5.
Hvor lang tid tager lektionen “Evaluering af modellens ydeevne”?
De fleste CoddyKit-lektioner tager cirka 5–10 minutter. Hver lektion er kort og interaktiv, så du gør løbende fremskridt og kan fortsætte, hvor du slap – på både web og app.
Kan jeg skrive og køre kode i denne Lær AI med Python-lektion?
Ja. Alle Lær AI med Python-lektioner har en indbygget kodeeditor, så du kan skrive og køre rigtig kode direkte i din browser og få øjeblikkelig feedback fra AI – uden lokal opsætning.
Alle lektioner i dette kursus
- Begrebet lineær regression
- Implementering af lineær regression i Python
- Begrebet logistisk regression
- Implementering af logistisk regression
- Evaluering af modellens ydeevne