Evaluering af modelpræstation
Nøjagtighed, F1-score og fejlmål
Evaluering af modelpræstation er en gratis Python For Kids-lektion på CoddyKit. Dette er lektion 5 af 5. Du kan læse hele lektionen gratis nedenfor — og derefter øve dig praktisk i browseren med en indbygget kodeeditor og en AI-vejleder, der er tilgængelig døgnet rundt. Den er en del af læringsforløbet i Python For Kids, og dine fremskridt synkroniseres på tværs af nettet og CoddyKit-appen. Python For Kids-kurset indeholder 5 lektioner i alt.
Mål for modelevaluering
Evaluering af modellens ydeevne
Det er afgørende at evaluere en maskinlæringsmodels ydeevne for at sikre, at den fungerer effektivt. Vi bruger mål 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 muligvis ikke tilstrækkelig til 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.
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.
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 beregning af mål
Scikit-learn indeholder funktioner til at beregne disse mål:
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 overblik over modellens ydeevne:
- Sandt positiv (TP): Korrekte positive forudsigelser.
- Falsk positiv (FP): Forkerte positive forudsigelser.
- Sandt negativ (TN): Korrekte negative forudsigelser.
- Falsk negativ (FN): Forkerte negative forudsigelser.
Valg af det rigtige mål
Valget af mål afhænger af problemet:
- Nøjagtighed: Fungerer godt med balancerede datasæt.
- Præcision: Vigtigt, når falsk positive er omkostningsfulde.
- Genkaldelse: Afgørende, når falsk negative er omkostningsfulde.
- F1-score: Et afbalanceret mål til ubalancerede datasæt.
Opsummering og næste trin
I denne lektion gennemgik vi:
- Mål til evaluering af modellens ydeevne: nøjagtighed, præcision, genkaldelse og F1-score.
- Hvordan disse mål beregnes ved hjælp af scikit-learn.
- Hvordan en forvekslingsmatrix fortolkes.
Dernæst undersøger vi metoder til uden opsyn-læring 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
- 22
- Lektioner
- 94
Ofte stillede spørgsmål
Er lektionen “Evaluering af modelpræstation” gratis?
Ja — hele teksten til “Evaluering af modelpræstation” kan læses gratis her på nettet. Hvis du vil øve dig interaktivt med en indbygget kodeeditor og en AI-vejleder døgnet rundt og få adgang til resten af Python For Kids-kurset, skal du opgradere til CoddyKit PRO. Python For Kids-kurset indeholder 5 lektioner i alt.
Hvad lærer jeg i “Evaluering af modelpræstation”?
Nøjagtighed, F1-score og fejlmål Du øver dig i Python For Kids 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 Python For Kids?
Der kræves ingen tidligere erfaring. Python For Kids 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 modelpræstation”?
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 Python For Kids-lektion?
Ja. Alle Python For Kids-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 modelpræstation