Evaluering av modellens ytelse
Nøyaktighet, F1-skår og feilmål.
Evaluering av modellens ytelse er en gratis leksjon i Lær AI med Python på CoddyKit. Dette er leksjon 5 av 5. Du kan lese valgfritt 3 leksjoner fra denne læringsstien gratis i sin helhet – deretter låser CoddyKit PRO opp alle leksjoner, samt praktisk øving med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt. Den er en del av læringsløpet i Lær AI med Python, og fremdriften din synkroniseres mellom nettet og CoddyKit-appen. Kurset i Lær AI med Python inneholder totalt 5 leksjoner.
Måltall for modellevaluering
Evaluere modellens ytelse
Det er avgjørende å evaluere ytelsen til en maskinlæringsmodell for å sikre at den fungerer effektivt. For klassifiseringsproblemer bruker vi måltall som nøyaktighet, presisjon, recall og F1-score.
Nøyaktighet
Nøyaktighet måler forholdet mellom korrekt predikerte instanser og totalt antall instanser:
Accuracy = (True Positives + True Negatives) / Total Instances
Selv om nøyaktighet er nyttig, er den ikke nødvendigvis tilstrekkelig alene for ubalanserte datasett.
Presisjon
Presisjon fokuserer på hvor korrekte de positive prediksjonene er:
Precision = True Positives / (True Positives + False Positives)
Høy presisjon betyr færre falske positiver.
Recall
Recall måler modellens evne til å identifisere alle positive instanser korrekt:
Recall = True Positives / (True Positives + False Negatives)
Høy recall betyr færre falske negativer.
F1-score
F1-score er det harmoniske gjennomsnittet av presisjon og recall:
F1 Score = 2 * (Precision * Recall) / (Precision + Recall)
Det balanserer presisjon og recall og er særlig nyttig for ubalanserte datasett.
Bruke scikit-learn til beregning av metrikker
Scikit-learn tilbyr funksjoner for å beregne disse metrikkene:
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}")Forvekslingsmatrise
En forvekslingsmatrise gir en detaljert oversikt over modellens ytelse:
- Sanne positive (TP): Korrekte positive prediksjoner.
- Falske positive (FP): Uriktige positive prediksjoner.
- Sanne negative (TN): Korrekte negative prediksjoner.
- Falske negative (FN): Uriktige negative prediksjoner.
Velge riktig metrikk
Valget av metrikk avhenger av problemet:
- Nøyaktighet: Fungerer godt med balanserte datasett.
- Presisjon: Viktig når falske positive er kostbare.
- Recall: Avgjørende når falske negative er kostbare.
- F1-skår: En balansert metrikk for ubalanserte datasett.
Oppsummering og neste steg
I denne leksjonen har vi dekket:
- Metrikker for å evaluere modellens ytelse: nøyaktighet, presisjon, recall og F1-skår.
- Hvordan disse metrikkene beregnes ved hjelp av scikit-learn.
- Hvordan en forvekslingsmatrise tolkes.
Deretter skal vi utforske metoder for uovervåket læring, for eksempel klynging.
Lær deg Python med en AI-veileder – gratis
Skriv og kjør ekte kode i nettleseren, få umiddelbar hjelp fra en AI-veileder som er tilgjengelig døgnet rundt, og fortsett der du slapp – på nettet eller i appen.
- Kurs
- 53
- Leksjoner
- 225
Ofte stilte spørsmål
Er leksjonen «Evaluering av modellens ytelse» gratis?
Ja – du kan lese valgfritt 3 av leksjonene i læringsstien Lær AI med Python, inkludert «Evaluering av modellens ytelse», gratis i sin helhet her på nettet. Deretter låser CoddyKit PRO opp alle leksjoner, samt interaktiv øving med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt. Kurset i Lær AI med Python inneholder totalt 5 leksjoner.
Hva lærer jeg i «Evaluering av modellens ytelse»?
Nøyaktighet, F1-skår og feilmål. Du øver på Lær AI med Python med praktisk kode som du kjører direkte i nettleseren, mens en AI-veileder som er tilgjengelig døgnet rundt, svarer på spørsmålene dine mens du jobber deg gjennom leksjonen.
Trenger jeg erfaring for å begynne med Lær AI med Python?
Ingen tidligere erfaring er nødvendig. Lær AI med Python på CoddyKit er lagt opp for både nybegynnere og viderekomne, så De kan begynne her eller helt fra start og lære i Deres eget tempo. Dette er leksjon 5 av 5.
Hvor lang tid tar leksjonen «Evaluering av modellens ytelse»?
De fleste CoddyKit-leksjoner tar omtrent 5–10 minutter. Hver leksjon er kort og interaktiv, slik at De gjør jevne fremskritt og kan fortsette akkurat der De slapp – både på nettet og i appen.
Kan jeg skrive og kjøre kode i denne Lær AI med Python-leksjonen?
Ja. Alle Lær AI med Python-leksjoner har en innebygd kodeeditor, slik at De kan skrive og kjøre ekte kode direkte i nettleseren og få umiddelbar tilbakemelding fra AI – uten lokal konfigurering.
Alle leksjonene i dette kurset
- Konseptet lineær regresjon
- Implementering av lineær regresjon i Python
- Konseptet logistisk regresjon
- Implementering av logistisk regresjon
- Evaluering av modellens ytelse