ประเมินโมเดลแรกของคุณ

การฝึกโมเดลเป็นเพียงครึ่งหนึ่งของงาน ขั้นต่อไปคือคำถามสำคัญ: โมเดลทำนายได้ดีเพียงใดในความเป็นจริง 🧐

ตัวประมาณทุกตัวมีเมธอด score ซึ่งส่งคืนตัวเลขหนึ่งค่าที่สรุปประสิทธิภาพ การเรียกใช้ครั้งเดียวก็ได้คำตัดสินอย่างรวดเร็ว

คุณส่งทั้งคุณลักษณะและคำตอบจริงเข้าไป เพื่อให้ scoreเปรียบเทียบค่าทำนายกับสิ่งที่เกิดขึ้นจริงได้

สำหรับตัวถดถอย score จะส่งคืนค่าR กำลังสอง ซึ่งคือสัดส่วนความแปรปรวนของเป้าหมายที่โมเดลของคุณอธิบายได้

ค่าR กำลังสองเท่ากับ 1.0 หมายถึงการปรับที่สมบูรณ์แบบ ส่วน 0.0 ไม่ดีกว่าการเดาค่าเฉลี่ย ค่าที่สูงกว่าย่อมดีกว่า และค่านี้อาจติดลบได้ด้วย

ให้ประเมินคะแนนกับข้อมูลที่โมเดลไม่เคยเห็นเสมอ คะแนนการฝึกที่ดีมากแต่คะแนนการทดสอบต่ำ คือสัญญาณคลาสสิกของการเรียนรู้เกินพอดี

หากต้องการรายละเอียดที่ลึกขึ้น มอดูลตัวชี้วัดมีการวัดหลายรูปแบบ คุณสามารถเปรียบเทียบค่าจริงกับค่าทำนายโดยตรงผ่านฟังก์ชันที่เลือก

ความคลาดเคลื่อนสัมบูรณ์เฉลี่ยบอกค่าความคลาดเคลื่อนโดยทั่วไปในหน่วยเดียวกับเป้าหมาย อธิบายให้ใครเข้าใจก็ได้ง่ายอย่างน่าทึ่ง

สำหรับตัวจำแนกประเภท เมธอด score จะส่งคืนความแม่นยำ ซึ่งคือสัดส่วนของป้ายกำกับที่ทำนายได้ถูกต้อง ชื่อเมธอดเหมือนกัน แต่ความหมายต่างกัน

ตัวชี้วัดเพียงค่าเดียวไม่เคยบอกเรื่องราวได้ทั้งหมด ควรใช้ร่วมกับกราฟและการวัดหลายรูปแบบก่อนจะเชื่อถือโมเดล

คะแนนจะมีความหมายก็ต่อเมื่อเปรียบเทียบกับค่าพื้นฐาน เช่น การทำนายค่าเฉลี่ยเสมอ คุณต้องทำได้ดีกว่าการเดาง่าย ๆ นั้นเพื่อแสดงให้เห็นคุณค่าที่แท้จริง

score ส่งคืนค่าอะไรสำหรับโมเดลการถดถอย

ใช้ score เพื่อดูค่า R กำลังสองอย่างรวดเร็ว ใช้ตัวชี้วัดอย่าง MAE เมื่อต้องการรายละเอียด และทดสอบกับข้อมูลที่ไม่เคยเห็นโดยเทียบกับค่าพื้นฐานเสมอ 🏁