Modelprestaties evalueren
Nauwkeurigheid, F1-score en foutmaten
Modelprestaties evalueren is een gratis Leer AI met Python-les op CoddyKit. Dit is les 5 van 5. Je kunt 3 lessen uit dit leerpad gratis volledig lezen — daarna ontgrendelt CoddyKit PRO alle lessen, plus praktische oefeningen met een ingebouwde code-editor en een AI-tutor die 24/7 beschikbaar is. Deze les maakt deel uit van het leertraject Leer AI met Python. Je voortgang wordt gesynchroniseerd op het web en in de CoddyKit-app. De cursus Leer AI met Python bevat in totaal 5 lessen.
Maatstaven voor modelevaluatie
Modelprestaties evalueren
Het evalueren van de prestaties van een machinaal-leermodel is essentieel om de doeltreffendheid ervan te controleren. Voor classificatieproblemen gebruiken we maatstaven zoals nauwkeurigheid, precisie, volledigheid en de F1-score.
Nauwkeurigheid
Nauwkeurigheid meet de verhouding tussen correct voorspelde gevallen en het totale aantal gevallen:
Accuracy = (True Positives + True Negatives) / Total Instances
Hoewel nauwkeurigheid nuttig is, is deze maatstaf op zichzelf mogelijk niet voldoende voor onevenwichtige gegevenssets.
Precisie
Precisie richt zich op de juistheid van positieve voorspellingen:
Precision = True Positives / (True Positives + False Positives)
Een hoge precisie betekent minder fout-positieven.
Volledigheid
Volledigheid meet het vermogen van het model om alle positieve gevallen correct te identificeren:
Recall = True Positives / (True Positives + False Negatives)
Een hoge volledigheid betekent minder fout-negatieven.
F1-score
De F1-score is het harmonisch gemiddelde van precisie en volledigheid:
F1 Score = 2 * (Precision * Recall) / (Precision + Recall)
De F1-score vormt een balans tussen precisie en volledigheid en is vooral nuttig voor onevenwichtige gegevenssets.
scikit-learn gebruiken voor metrieken
Scikit-learn biedt functies om deze metrieken te berekenen:
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}")Verwarringsmatrix
Een verwarringsmatrix geeft een gedetailleerd beeld van de prestaties van het model:
- Terecht-positieven (TP): Correcte positieve voorspellingen.
- Vals-positieven (FP): Onjuiste positieve voorspellingen.
- Terecht-negatieven (TN): Correcte negatieve voorspellingen.
- Vals-negatieven (FN): Onjuiste negatieve voorspellingen.
De juiste metriek kiezen
De keuze van een metriek hangt af van het probleem:
- Nauwkeurigheid: Werkt goed bij gebalanceerde gegevensverzamelingen.
- Precisie: Belangrijk wanneer vals-positieven kostbaar zijn.
- Recall: Cruciaal wanneer vals-negatieven kostbaar zijn.
- F1-score: Gebalanceerde metriek voor onevenwichtige gegevensverzamelingen.
Samenvatting en volgende stappen
In deze les hebben we behandeld:
- Metrieken voor het evalueren van modelprestaties: nauwkeurigheid, precisie, recall en F1-score.
- Hoe je deze metrieken berekent met scikit-learn.
- Hoe je een verwarringsmatrix interpreteert.
Vervolgens verkennen we methoden voor leren zonder toezicht, zoals clustering.
Leer Python met een AI-tutor — gratis
Schrijf echte code en voer die uit in je browser, krijg direct hulp van een AI-tutor die 24/7 beschikbaar is en ga verder waar je gebleven bent op het web of in de app.
- Cursussen
- 53
- Lessen
- 225
Veelgestelde vragen
Is de les “Modelprestaties evalueren” gratis?
Ja — je kunt hier op het web alle 3 lessen van het leerpad Leer AI met Python, waaronder “Modelprestaties evalueren”, gratis volledig lezen. Daarna ontgrendelt CoddyKit PRO alle lessen, plus interactieve oefeningen met een ingebouwde code-editor en een AI-tutor die 24/7 beschikbaar is. De cursus Leer AI met Python bevat in totaal 5 lessen.
Wat leer ik in “Modelprestaties evalueren”?
Nauwkeurigheid, F1-score en foutmaten Je oefent met Leer AI met Python door code rechtstreeks in de browser uit te voeren. Een AI-begeleider die 24/7 beschikbaar is beantwoordt je vragen terwijl je de les doorwerkt.
Heb ik ervaring nodig om met Leer AI met Python te beginnen?
Ervaring vooraf is niet nodig. Leer AI met Python op CoddyKit is opgebouwd voor beginners tot gevorderden, zodat je hier of bij het begin kunt starten en in je eigen tempo kunt leren. Dit is les 5 van 5.
Hoe lang duurt de les “Modelprestaties evalueren”?
De meeste lessen van CoddyKit duren ongeveer 5–10 minuten. Elke les is kort en interactief, zodat je gestaag vooruitgaat en op het web en in de app precies verdergaat waar je was gebleven.
Kan ik code schrijven en uitvoeren in deze les over Leer AI met Python?
Ja. Elke les over Leer AI met Python bevat een ingebouwde code-editor, zodat je rechtstreeks in je browser echte code kunt schrijven en uitvoeren en direct feedback van AI krijgt — lokale installatie is niet nodig.
Alle lessen in deze cursus
- Het concept van lineaire regressie
- Lineaire regressie implementeren in Python
- Het concept van logistische regressie
- Logistische regressie implementeren
- Modelprestaties evalueren