Sinulla on malli, ja nyt haluat arvioida, miten hyvin se toimii. Miten mittaat mallin tehokkuutta?
On olemassa useita mittareita, et voisi käyttää arvioida, kuinka hyvä luokittelu malli on, joista yleisimpiä ovat tarkkuus, täsmällisyys, ja recall. Tarkkuus mittaa, kuinka suuren osan tiedoista merkitsit oikein. Eli tarkkuus on suhde numero merkitty oikein kokonaismäärä. Jos yrität luokitella vain yhtä asiaa (esim., kuuma koira tai ei), tarkkuus voi olla kirjallinen kuten (määrä tosi positiivisia + määrä totta, negatiivit)/(määrä tosi positiivisia + useita totta negatiivit + määrä vääriä positiivisia + määrä vääriä negatiivisia). Todelliset positiiviset ovat esimerkkejä positiivisella etiketillä, jonka leimasit positiiviseksi, esimerkiksi leimasit hodarin hodariksi. Vastaavasti todelliset negatiivit ovat esimerkkejä negatiivisella etiketillä, jonka leimasit negatiiviseksi, esimerkiksi leimasit kissan ei hot Dogiksi. Toisaalta väärät positiiviset ovat esimerkkejä, jotka olivat negatiivisia, joita leimasit positiivisiksi, esim., leimasit kissan hodariksi (miten saatoit!?) ja vastaavasti väärät negatiivit ovat esimerkkejä, jotka olivat positiivisia, että leimasit negatiivisen, esimerkiksi leimasit hodarin ei hot Dogiksi. Todellinen tai väärä tosi positiivinen, väärä negatiivinen jne., osoittaa, onko merkitty se oikein vai ei, ja positiivinen tai negatiivinen on mitä merkitty se. Joten tarkkuus on vain useita asioita oikein merkitty positiivinen ja negatiivinen jaettuna kokonaismäärä asioita, joita et merkitty., Jos yrität luokitella paljon asioita eikä vain yksi, yleinen tarkkuus on vain useita asioita oikein merkitty kunkin luokan jaettuna kokonaismäärä asioita, joita et merkitty.
Tarkkuus on mitta, joka kertoo, kuinka usein, että jotain merkitä positiiviseksi on todella positiivinen. Virallisemmin käyttämällä merkintää aiemmasta, tarkkuus on todellinen positiivisia/ (määrä totta positiivinen plus määrä vääriä positiivisia). Toisaalta takaisinkutsu on toimenpide, joka kertoo sinulle positiivisten prosenttiosuuden, jonka merkitset oikein., Toisin sanoen takaisinkutsu on todellisten positiivisten lukumäärä/(tosi positiivisten lukumäärä plus väärien negatiivien määrä). Ero tarkkuus ja muista on sellainen hienovarainen, niin toistan vielä: tarkkuus on useita myönteisiä esimerkkejä olet merkitty oikein yli yhteensä määrä kertaa olet merkitty jotain positiivista, kun taas muista on useita myönteisiä esimerkkejä olet merkitty oikein yli yhteensä määrä asioita, jotka olivat todella positiivisia. Voit ajatella tarkasti kuin osuus kertaa, että kun ennustaa sen varma, että se todella osoittautuu positiiviseksi., Missä muistaakseni voidaan ajatella tarkkuus yli vain positiivisia – se on osa kertaa olet merkitty positiivinen oikein yli määrä kertaa se oli todella positiivinen.
multi-label-tapauksessa tarkkuutta ja takaisinkutsua käytetään yleensä luokkakohtaisesti. Että on, jos olet yrittää arvata, onko kuva on kissa tai koira tai muita eläimiä, voit saada tarkkuutta ja muistaa teidän kissat ja koirat erikseen., Sitten se on vain binary tapauksessa uudelleen – jos haluat tarkkuutta kissoille, voit ottaa monta kertaa olet arvannut oikein, että se oli kissa / kokonaismäärä kertaa, että voit arvata, mitä oli kissa. Samoin, jos haluat saada muistaa kissoille, otat useita kertoja arvasit oikein se oli kissa kokonaismäärä kertaa se oli oikeastaan kissa.