Utvärdera modellens prestanda
Noggrannhet, F1-poäng och felmått.
Utvärdera modellens prestanda är en gratis lektion i Lär Er AI med Python på CoddyKit. Detta är lektion 5 av 5. Du kan läsa vilka 3 lektioner som helst i den här lärvägen kostnadsfritt i sin helhet – därefter låser CoddyKit PRO upp alla lektioner, plus praktisk övning med en inbyggd kodredigerare och en AI-lärare dygnet runt. Den ingår i lärvägen för Lär Er AI med Python, och Era framsteg synkroniseras mellan webben och CoddyKit-appen. Kursen i Lär Er AI med Python innehåller totalt 5 lektioner.
Mått för model utvärdering
Utvärdera modellens prestanda
Det är viktigt att utvärdera en maskininlärningsmodells prestanda för att säkerställa att den fungerar effektivt. För klassificeringsproblem använder vi mått som accuracy, precision, recall och F1-score.
Accuracy
Accuracy mäter andelen korrekt förutsagda instanser i förhållande till det totala antalet instanser:
Accuracy = (True Positives + True Negatives) / Total Instances
Även om accuracy är användbart räcker det kanske inte som enda mått för obalanserade datauppsättningar.
Precision
Precision fokuserar på hur korrekta de positiva förutsägelserna är:
Precision = True Positives / (True Positives + False Positives)
Hög precision innebär färre falskt positiva resultat.
Recall
Recall mäter modellens förmåga att korrekt identifiera alla positiva instanser:
Recall = True Positives / (True Positives + False Negatives)
Hög recall innebär färre falskt negativa resultat.
F1-score
F1-score är det harmoniska medelvärdet av precision och recall:
F1 Score = 2 * (Precision * Recall) / (Precision + Recall)
Det balanserar precision och recall och är särskilt användbart för obalanserade datauppsättningar.
Använda scikit-learn för mätvärden
Scikit-learn innehåller funktioner för att beräkna dessa mätvärden:
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}")Förväxlingsmatris
En förväxlingsmatris ger en detaljerad bild av modellens prestanda:
- Sanna positiva (TP): Korrekta positiva förutsägelser.
- Falska positiva (FP): Felaktiga positiva förutsägelser.
- Sanna negativa (TN): Korrekta negativa förutsägelser.
- Falska negativa (FN): Felaktiga negativa förutsägelser.
Välja rätt mätvärde
Valet av mätvärde beror på problemet:
- Träffsäkerhet: Fungerar bra med balanserade dataset.
- Precision: Viktigt när falska positiva resultat är kostsamma.
- Återkallelse: Avgörande när falska negativa resultat är kostsamma.
- F1-poäng: Ett balanserat mätvärde för obalanserade dataset.
Sammanfattning och nästa steg
I den här lektionen behandlade vi:
- Mätvärden för att utvärdera modellens prestanda: träffsäkerhet, precision, återkallelse och F1-poäng.
- Hur dessa mätvärden beräknas med hjälp av scikit-learn.
- Hur en förväxlingsmatris tolkas.
Härnäst utforskar vi metoder för oövervakad inlärning, till exempel klustring.
Lär dig Python med en AI-lärare – gratis
Skriv och kör riktig kod i webbläsaren, få omedelbar hjälp av en AI-lärare dygnet runt och fortsätt där du slutade – på webben eller i appen.
- Kurser
- 53
- Lektioner
- 225
Vanliga frågor
Är lektionen ”Utvärdera modellens prestanda” gratis?
Ja – du kan läsa vilka 3 lektioner som helst i lärvägen Lär Er AI med Python, inklusive ”Utvärdera modellens prestanda”, kostnadsfritt i sin helhet här på webben. Därefter låser CoddyKit PRO upp alla lektioner, plus interaktiv övning med en inbyggd kodredigerare och en AI-lärare dygnet runt. Kursen i Lär Er AI med Python innehåller totalt 5 lektioner.
Vad lär jag mig i ”Utvärdera modellens prestanda”?
Noggrannhet, F1-poäng och felmått. Ni övar på Lär Er AI med Python med praktisk kod som körs direkt i webbläsaren, medan en AI-handledare som är tillgänglig dygnet runt svarar på Era frågor under lektionen.
Behöver jag någon erfarenhet för att börja lära mig Lär Er AI med Python?
Du behöver inga förkunskaper. Utbildningen i Lär Er AI med Python på CoddyKit är upplagd för allt från nybörjare till avancerade elever, så att du kan börja här eller från början och gå fram i din egen takt. Detta är lektion 5 av 5.
Hur lång tid tar lektionen ”Utvärdera modellens prestanda”?
De flesta CoddyKit-lektioner tar cirka 5–10 minuter. Varje lektion är kort och interaktiv, så att du gör stadiga framsteg och kan fortsätta precis där du slutade – på webben eller i appen.
Kan jag skriva och köra kod i den här Lär Er AI med Python-lektionen?
Ja. Varje Lär Er AI med Python-lektion innehåller en inbyggd kodredigerare, så att du kan skriva och köra riktig kod direkt i webbläsaren och få omedelbar AI-feedback – utan lokal installation.
Alla lektioner i den här kursen
- Begreppet linjär regression
- Implementera linjär regression i Python
- Begreppet logistisk regression
- Implementering av logistisk regression
- Utvärdera modellens prestanda