Menilai Prestasi Model
Ketepatan, skor F1 dan metrik ralat.
Menilai Prestasi Model ialah pelajaran Pelajari AI dengan Python percuma di CoddyKit. Ini ialah pelajaran 5 daripada 5. Sebanyak 3 pelajaran dalam laluan pembelajaran ini boleh dibaca sepenuhnya secara percuma — selepas itu, CoddyKit PRO membuka akses kepada semua pelajaran, serta latihan praktikal dengan penyunting kod terbina dalam dan tutor kecerdasan buatan yang tersedia 24/7. Pelajaran ini merupakan sebahagian daripada laluan pembelajaran Pelajari AI dengan Python, dan kemajuan anda disegerakkan merentas web serta aplikasi CoddyKit. Kursus Pelajari AI dengan Python merangkumi sejumlah 5 pelajaran.
Metrik Penilaian Model
Menilai Prestasi Model
Menilai prestasi model pembelajaran mesin adalah penting untuk memastikan keberkesanannya. Kita menggunakan metrik seperti ketepatan, kejituan, kadar dapatan semula dan skor F1 untuk masalah pengelasan.
Ketepatan
Ketepatan mengukur nisbah contoh yang diramalkan dengan betul berbanding jumlah keseluruhan contoh:
Accuracy = (True Positives + True Negatives) / Total Instances
Walaupun berguna, ketepatan sahaja mungkin tidak mencukupi untuk set data yang tidak seimbang.
Kejituan
Kejituan menumpukan pada ketepatan ramalan positif:
Precision = True Positives / (True Positives + False Positives)
Kejituan yang tinggi bermaksud lebih sedikit positif palsu.
Kadar Dapatan Semula
Kadar dapatan semula mengukur keupayaan model untuk mengenal pasti semua contoh positif dengan betul:
Recall = True Positives / (True Positives + False Negatives)
Kadar dapatan semula yang tinggi bermaksud lebih sedikit negatif palsu.
Skor F1
Skor F1 ialah min harmonik bagi kejituan dan kadar dapatan semula:
F1 Score = 2 * (Precision * Recall) / (Precision + Recall)
Skor ini mengimbangi kejituan dan kadar dapatan semula, terutamanya untuk set data yang tidak seimbang.
Menggunakan scikit-learn untuk Metrik
Scikit-learn menyediakan fungsi untuk mengira metrik ini:
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}")Matriks Kekeliruan
Matriks kekeliruan memberikan gambaran terperinci tentang prestasi model:
- Positif Benar (TP): Ramalan positif yang betul.
- Positif Palsu (FP): Ramalan positif yang tidak betul.
- Negatif Benar (TN): Ramalan negatif yang betul.
- Negatif Palsu (FN): Ramalan negatif yang tidak betul.
Memilih Metrik yang Tepat
Pemilihan metrik bergantung pada masalah:
- Ketepatan: Berfungsi dengan baik untuk set data yang seimbang.
- Kejituan: Penting apabila positif palsu mendatangkan kos yang tinggi.
- Dapatan Semula: Amat penting apabila negatif palsu mendatangkan kos yang tinggi.
- Skor F1: Metrik seimbang untuk set data yang tidak seimbang.
Ringkasan dan Langkah Seterusnya
Dalam pelajaran ini, kita membincangkan:
- Metrik untuk menilai prestasi model: ketepatan, kejituan, dapatan semula dan skor F1.
- Cara mengira metrik ini menggunakan scikit-learn.
- Cara mentafsir matriks kekeliruan.
Seterusnya, kita akan meneroka kaedah pembelajaran tanpa seliaan seperti pengelompokan.
Pelajari Python dengan tutor kecerdasan buatan — percuma
Tulis dan jalankan kod sebenar dalam pelayar anda, dapatkan bantuan segera daripada tutor kecerdasan buatan yang tersedia 24/7, dan sambung semula dari tempat anda berhenti di web atau dalam aplikasi.
- Kursus
- 53
- Pelajaran
- 225
Soalan Lazim
Adakah pelajaran “Menilai Prestasi Model” percuma?
Ya — sebanyak 3 pelajaran dalam laluan pembelajaran Pelajari AI dengan Python, termasuk “Menilai Prestasi Model”, boleh dibaca sepenuhnya secara percuma di web ini. Selepas itu, CoddyKit PRO membuka akses kepada semua pelajaran, serta latihan interaktif dengan penyunting kod terbina dalam dan tutor kecerdasan buatan yang tersedia 24/7. Kursus Pelajari AI dengan Python merangkumi sejumlah 5 pelajaran.
Apakah yang akan saya pelajari dalam “Menilai Prestasi Model”?
Ketepatan, skor F1 dan metrik ralat. Anda berlatih Pelajari AI dengan Python menggunakan kod praktikal yang dijalankan terus dalam pelayar, manakala tutor kecerdasan buatan 24/7 menjawab soalan anda semasa anda mengikuti pelajaran.
Adakah saya memerlukan pengalaman untuk memulakan Pelajari AI dengan Python?
Tiada pengalaman terdahulu diperlukan. Pembelajaran Pelajari AI dengan Python di CoddyKit disusun untuk pelajar daripada peringkat pemula hingga lanjutan, jadi anda boleh bermula di sini atau dari awal dan belajar mengikut kadar anda sendiri. Ini ialah pelajaran 5 daripada 5.
Berapa lamakah pelajaran “Menilai Prestasi Model” diambil?
Kebanyakan pelajaran CoddyKit mengambil masa kira-kira 5–10 minit. Setiap pelajaran ringkas dan interaktif, jadi anda boleh membuat kemajuan secara berterusan dan menyambung tepat dari tempat anda berhenti di web atau aplikasi.
Bolehkah saya menulis dan menjalankan kod dalam pelajaran Pelajari AI dengan Python ini?
Ya. Setiap pelajaran Pelajari AI dengan Python menyertakan penyunting kod terbina dalam, jadi anda boleh menulis dan menjalankan kod sebenar terus dalam pelayar serta menerima maklum balas kecerdasan buatan serta-merta — tanpa memerlukan persediaan setempat.
Semua pelajaran dalam kursus ini
- Konsep Regresi Linear
- Melaksanakan Regresi Linear dalam Python
- Konsep Regresi Logistik
- Pelaksanaan Regresi Logistik
- Menilai Prestasi Model