การประเมินประสิทธิภาพของแบบจำลอง
ความแม่นยำ คะแนน F1 และเมตริกข้อผิดพลาด
การประเมินประสิทธิภาพของแบบจำลอง เป็นบทเรียน Python For Kids ฟรีบน CoddyKit นี่คือบทเรียนที่ 5 จากทั้งหมด 5 บทเรียน คุณสามารถอ่านบทเรียนทั้งหมดด้านล่างฟรี — จากนั้นลองปฏิบัติด้วยตัวคุณเองในเบราว์เซอร์พร้อมตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7 บทเรียนนี้เป็นส่วนหนึ่งของเส้นทางการเรียน Python For Kids และความก้าวหน้าของคุณจะซิงค์ข้ามเว็บและแอป CoddyKit คอร์ส Python For Kids มีบทเรียนทั้งหมด 5 บทเรียน
ตัวชี้วัดการประเมินแบบจำลอง
การประเมินประสิทธิภาพของแบบจำลอง
การประเมินประสิทธิภาพของแบบจำลองการเรียนรู้ของเครื่องมีความสำคัญอย่างยิ่ง เพื่อให้มั่นใจว่าแบบจำลองทำงานได้อย่างมีประสิทธิผล เราใช้ตัวชี้วัด เช่น ความถูกต้อง ความแม่นยำ อัตราการค้นคืน และคะแนน F1 สำหรับปัญหาการจำแนกประเภท
ความถูกต้อง
ความถูกต้องวัดสัดส่วนของรายการที่ทำนายได้ถูกต้องเมื่อเทียบกับจำนวนรายการทั้งหมด:
Accuracy = (True Positives + True Negatives) / Total Instances
แม้จะมีประโยชน์ แต่ความถูกต้องเพียงอย่างเดียวอาจไม่เพียงพอสำหรับชุดข้อมูลที่มีการกระจายไม่สมดุล
ความแม่นยำ
ความแม่นยำมุ่งเน้นความถูกต้องของการทำนายผลบวก:
Precision = True Positives / (True Positives + False Positives)
ความแม่นยำสูงหมายถึงมีผลบวกเท็จน้อยลง
อัตราการค้นคืน
อัตราการค้นคืนวัดความสามารถของแบบจำลองในการระบุรายการผลบวกทั้งหมดได้อย่างถูกต้อง:
Recall = True Positives / (True Positives + False Negatives)
อัตราการค้นคืนสูงหมายถึงมีผลลบเท็จน้อยลง
คะแนน F1
คะแนน F1 คือค่าเฉลี่ยฮาร์มอนิกของความแม่นยำและอัตราการค้นคืน:
F1 Score = 2 * (Precision * Recall) / (Precision + Recall)
คะแนนนี้สร้างสมดุลระหว่างความแม่นยำกับอัตราการค้นคืน และมีประโยชน์อย่างยิ่งสำหรับชุดข้อมูลที่มีการกระจายไม่สมดุล
การใช้ scikit-learn สำหรับตัวชี้วัด
Scikit-learn มีฟังก์ชันสำหรับคำนวณตัวชี้วัดเหล่านี้:
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}")เมทริกซ์ความสับสน
เมทริกซ์ความสับสนแสดงรายละเอียดประสิทธิภาพของแบบจำลอง:
- ผลบวกจริง (TP): การทำนายผลบวกที่ถูกต้อง
- ผลบวกเท็จ (FP): การทำนายผลบวกที่ไม่ถูกต้อง
- ผลลบจริง (TN): การทำนายผลลบที่ถูกต้อง
- ผลลบเท็จ (FN): การทำนายผลลบที่ไม่ถูกต้อง
การเลือกตัวชี้วัดที่เหมาะสม
การเลือกตัวชี้วัดขึ้นอยู่กับปัญหา:
- ความถูกต้อง: ทำงานได้ดีเมื่อใช้กับชุดข้อมูลที่สมดุล
- ความแม่นยำ: สำคัญเมื่อผลบวกเท็จมีต้นทุนสูง
- อัตราการค้นคืน: สำคัญอย่างยิ่งเมื่อผลลบเท็จมีต้นทุนสูง
- คะแนน F1: ตัวชี้วัดที่สร้างสมดุลสำหรับชุดข้อมูลที่ไม่สมดุล
สรุปและขั้นตอนถัดไป
ในบทเรียนนี้ เราได้เรียนรู้เกี่ยวกับ:
- ตัวชี้วัดสำหรับประเมินประสิทธิภาพของแบบจำลอง ได้แก่ ความถูกต้อง ความแม่นยำ อัตราการค้นคืน และคะแนน F1
- วิธีคำนวณตัวชี้วัดเหล่านี้โดยใช้ scikit-learn
- วิธีตีความเมทริกซ์ความสับสน
ถัดไป เราจะสำรวจวิธีการเรียนรู้แบบไม่มีผู้สอน เช่น การจัดกลุ่ม
คำถามที่พบบ่อย
บทเรียน “การประเมินประสิทธิภาพของแบบจำลอง” ฟรีหรือไม่
ใช่ — ข้อความเต็มของ “การประเมินประสิทธิภาพของแบบจำลอง” ฟรีให้อ่านที่นี่บนเว็บ เพื่อปฏิบัติแบบโต้ตอบ (ตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7) และปลดล็อคส่วนที่เหลือของคอร์ส Python For Kids ให้อัปเกรดเป็น CoddyKit PRO คอร์ส Python For Kids มีบทเรียนทั้งหมด 5 บทเรียน
คุณจะเรียนรู้อะไรในบทเรียน “การประเมินประสิทธิภาพของแบบจำลอง”
ความแม่นยำ คะแนน F1 และเมตริกข้อผิดพลาด คุณปฏิบัติ Python For Kids ด้วยโค้ดที่ใช้งานได้จริงที่คุณเรียกใช้โดยตรงในเบราว์เซอร์ และติวเตอร์ AI ตลอด 24/7 ตอบคำถามของคุณขณะที่คุณไปผ่านบทเรียน
คุณต้องมีประสบการณ์ก่อนที่จะเริ่มเรียน Python For Kids หรือไม่
ไม่จำเป็นต้องมีประสบการณ์มาก่อน Python For Kids บน CoddyKit ออกแบบมาสำหรับผู้เริ่มต้นไปจนถึงผู้เรียนขั้นสูง คุณสามารถเริ่มต้นที่นี่หรือเริ่มจากตัวแรกและเรียนด้วยความเร็วของคุณเอง นี่คือบทเรียนที่ 5 จากทั้งหมด 5 บทเรียน
บทเรียน “การประเมินประสิทธิภาพของแบบจำลอง” ใช้เวลานานแค่ไหน
บทเรียน CoddyKit ส่วนใหญ่ใช้เวลาประมาณ 5–10 นาที แต่ละบทเรียนจึงสั้นและเป็นแบบโต้ตอบ คุณสามารถก้าวหน้าอย่างต่อเนื่องและกลับมาเรียนต่อจากตรงที่เพิ่งหยุดบนเว็บและแอปได้เลย
ฉันเขียนและรันโค้ดในบทเรียน Python For Kids นี้ได้ไหม
ได้ บทเรียน Python For Kids ทุกบทมีตัวแก้ไขโค้ดในตัว คุณจึงเขียนและรันโค้ดจริงได้เลยในเบราว์เซอร์ และได้รับข้อเสนอแนะจาก AI ในทันที — ไม่ต้องติดตั้งในเครื่องของคุณ
บทเรียนทั้งหมดในหลักสูตรนี้
- แนวคิดของการถดถอยเชิงเส้น
- การใช้งานการถดถอยเชิงเส้นใน Python
- แนวคิดของการถดถอยโลจิสติก
- การใช้งานการถดถอยโลจิสติก
- การประเมินประสิทธิภาพของแบบจำลอง