Evaluere modellytelse
Nøyaktighet, F1-score og feilmål
Evaluere modellytelse er en gratis leksjon i Python For Kids på CoddyKit. Dette er leksjon 5 av 5. Du kan lese hele leksjonen gratis nedenfor – og deretter øve praktisk i nettleseren med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt. Den er en del av læringsløpet i Python For Kids, og fremdriften din synkroniseres mellom nettet og CoddyKit-appen. Kurset i Python For Kids inneholder totalt 5 leksjoner.
Mål for modelevaluering
Evaluere modellens ytelse
Det er viktig å evaluere ytelsen til en maskinlæringsmodell for å sikre at den fungerer effektivt. For klassifiseringsproblemer bruker vi mål som nøyaktighet, presisjon, recall og F1-score.
Nøyaktighet
Nøyaktighet måler forholdet mellom riktig predikerte forekomster og det totale antallet forekomster:
Accuracy = (True Positives + True Negatives) / Total Instances
Selv om nøyaktighet er nyttig, er den alene kanskje ikke tilstrekkelig 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 positive.
Recall
Recall måler modellens evne til å identifisere alle positive forekomster korrekt:
Recall = True Positives / (True Positives + False Negatives)
Høy recall betyr færre falske negative.
F1-score
F1-score er det harmoniske gjennomsnittet av presisjon og recall:
F1 Score = 2 * (Precision * Recall) / (Precision + Recall)
Det gir en balansering mellom presisjon og recall og er spesielt nyttig for ubalanserte datasett.
Bruke scikit-learn til beregning av mål
Scikit-learn inneholder funksjoner for å beregne disse målene:
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 et detaljert bilde av modellens ytelse:
- Sanne positive (TP): Korrekte positive prediksjoner.
- Falske positive (FP): Feilaktige positive prediksjoner.
- Sanne negative (TN): Korrekte negative prediksjoner.
- Falske negative (FN): Feilaktige negative prediksjoner.
Velge riktig mål
Valget av mål avhenger av problemet:
- Nøyaktighet: Fungerer godt med balanserte datasett.
- Presisjon: Viktig når falske positive er kostbare.
- Recall: Avgjørende når falske negative er kostbare.
- F1-score: Et balansert mål for ubalanserte datasett.
Oppsummering og neste steg
I denne leksjonen gikk vi gjennom:
- Mål for evaluering av modellens ytelse: nøyaktighet, presisjon, recall og F1-score.
- Hvordan disse målene beregnes ved hjelp av scikit-learn.
- Hvordan en forvekslingsmatrise tolkes.
Deretter skal vi utforske metoder for ikke-veiledet læring, som 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
- 22
- Leksjoner
- 94
Ofte stilte spørsmål
Er leksjonen «Evaluere modellytelse» gratis?
Ja – hele teksten i «Evaluere modellytelse» er gratis å lese her på nettet. For å øve interaktivt med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt, og for å låse opp resten av Python For Kids-kurset, kan du oppgradere til CoddyKit PRO. Kurset i Python For Kids inneholder totalt 5 leksjoner.
Hva lærer jeg i «Evaluere modellytelse»?
Nøyaktighet, F1-score og feilmål Du øver på Python For Kids 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 Python For Kids?
Ingen tidligere erfaring er nødvendig. Python For Kids 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 «Evaluere modellytelse»?
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 Python For Kids-leksjonen?
Ja. Alle Python For Kids-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
- Implementere lineær regresjon i Python
- Konseptet logistisk regresjon
- Implementere logistisk regresjon
- Evaluere modellytelse