Ocena wydajności modelu
Dokładność, wynik F1 i metryki błędu.
Ocena wydajności modelu to bezpłatna lekcja Python For Kids na CoddyKit. To lekcja 5 z 5. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej Python For Kids, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs Python For Kids zawiera 5 lekcji w sumie.
Miary oceny modelu
Ocena skuteczności modelu
Ocena skuteczności modelu uczenia maszynowego ma kluczowe znaczenie dla zapewnienia jego efektywności. W problemach klasyfikacji używamy takich miar jak dokładność, precyzja, czułość i wynik F1.
Dokładność
Dokładność mierzy stosunek poprawnie przewidzianych przypadków do całkowitej liczby przypadków:
Accuracy = (True Positives + True Negatives) / Total Instances
Choć jest przydatna, sama dokładność może nie wystarczyć w przypadku niezbalansowanych zbiorów danych.
Precyzja
Precyzja koncentruje się na poprawności predykcji pozytywnych:
Precision = True Positives / (True Positives + False Positives)
Wysoka precyzja oznacza mniej wyników fałszywie pozytywnych.
Czułość
Czułość mierzy zdolność modelu do poprawnego zidentyfikowania wszystkich przypadków pozytywnych:
Recall = True Positives / (True Positives + False Negatives)
Wysoka czułość oznacza mniej wyników fałszywie negatywnych.
Wynik F1
Wynik F1 jest średnią harmoniczną precyzji i czułości:
F1 Score = 2 * (Precision * Recall) / (Precision + Recall)
Równoważy precyzję i czułość, dzięki czemu jest szczególnie przydatny w przypadku niezbalansowanych zbiorów danych.
Używanie scikit-learn do obliczania miar
Scikit-learn udostępnia funkcje do obliczania tych miar:
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}")Macierz pomyłek
Macierz pomyłek przedstawia szczegółowy obraz skuteczności modelu:
- Prawdziwie pozytywne (TP): Poprawne predykcje pozytywne.
- Fałszywie pozytywne (FP): Niepoprawne predykcje pozytywne.
- Prawdziwie negatywne (TN): Poprawne predykcje negatywne.
- Fałszywie negatywne (FN): Niepoprawne predykcje negatywne.
Wybór właściwej miary
Wybór miary zależy od problemu:
- Dokładność: Dobrze sprawdza się w przypadku zbalansowanych zbiorów danych.
- Precyzja: Jest ważna, gdy wyniki fałszywie pozytywne są kosztowne.
- Czułość: Ma kluczowe znaczenie, gdy wyniki fałszywie negatywne są kosztowne.
- Wynik F1: Zbalansowana miara dla niezbalansowanych zbiorów danych.
Podsumowanie i dalsze kroki
W tej lekcji omówiliśmy:
- Miary oceny skuteczności modelu: dokładność, precyzję, czułość i wynik F1.
- Sposób obliczania tych miar za pomocą scikit-learn.
- Sposób interpretowania macierzy pomyłek.
W następnej kolejności omówimy metody uczenia nienadzorowanego, takie jak grupowanie.
Często zadawane pytania
Czy lekcja „Ocena wydajności modelu” jest bezpłatna?
Tak — pełny tekst „Ocena wydajności modelu” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu Python For Kids, przejdź na CoddyKit PRO. Kurs Python For Kids zawiera 5 lekcji w sumie.
Co nauczysz się w „Ocena wydajności modelu”?
Dokładność, wynik F1 i metryki błędu. Ćwiczysz Python For Kids z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.
Czy potrzebuję doświadczenia, aby zacząć Python For Kids?
Nie wymagamy żadnego doświadczenia. Python For Kids w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 5 z 5.
Ile czasu zajmuje lekcja „Ocena wydajności modelu”?
Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.
Czy mogę pisać i uruchamiać kod w tej lekcji Python For Kids?
Tak. Każda lekcja Python For Kids zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.
Wszystkie lekcje w tym kursie
- Koncepcja regresji liniowej
- Implementacja regresji liniowej w Pythonie
- Koncepcja regresji logistycznej
- Implementacja regresji logistycznej
- Ocena wydajności modelu