­čöÄ Dominando the Matriz de Confusi├│n: Der vollst├Ąndige Leitfaden f├╝r die Suche nach unseren Modellen des maschinellen Lernens ­čÜÇ | von AAZG | Juni 2023

0
134


Als wir uns mit der Bewertung der Wirksamkeit der Modelle des maschinellen Lernens befassten, wurden die Bewertungsmetriken auf der Grundlage von technischen Hilfsmitteln ermittelt. Aber was sind wirklich die Metriken, und wie k├Ânnen wir uns ├╝ber die Entwicklung unserer Modelle freuen? Im weiteren Verlauf erhalten wir eine kurze und zug├Ąngliche Erkl├Ąrung.

Comencemos con la precision, a metrica ampliamente utilizada. Die mittlere Pr├Ązision der Vorhersagen wird vom Modell im Vergleich zur Gesamtvorhersage korrekt ermittelt. In anderen Worten, wir wissen, dass ÔÇ×pr├ĄziseÔÇť unser Modell mit seinen Vorhersagen ist. Allerdings m├╝ssen wir uns darauf verlassen, dass die Pr├Ązision engmaschig sein kann, ohne R├╝cksicht auf den Kontext und das Klassengleichgewicht in unseren Daten zu nehmen.

Eine andere wichtige Metrik ist die Sensibilit├Ąt, auch wenn sie als positiv angesehen wird. Diese Metrik zeigt die Kapazit├Ąt des Modells an, um die tats├Ąchlichen F├Ąlle im Vergleich zur Gesamtzahl der tats├Ąchlichen F├Ąlle korrekt zu identifizieren. Dar├╝ber hinaus ist die Sensibilit├Ąt unseres Hauses so gro├č, dass unser gutes Modell die Ereignisse erkennen kann, an denen wir interessiert sind.

Abgesehen von den Besonderheiten, die wir auch mit unseren negativen Argumenten vereinbaren, m├╝ssen wir die F├Ąhigkeit des Modells ber├╝cksichtigen, um detrimental F├Ąlle korrekt zu identifizieren und sie mit der Gesamtzahl der tats├Ąchlichen negativen F├Ąlle zu vergleichen. Wir haben uns entschieden, dass unser bestes Modell die F├Ąlle ausschlie├čen kann, die uns nicht interessieren.

Abgesehen von diesen Messwerten gibt es einen mittleren F1-Wert, der Pr├Ązision und Sensibilit├Ąt in einem einzigen Messwert vereint. Die Tapferkeit der F1 kommt uns zugute, wenn wir ein Gleichgewicht zwischen Pr├Ązision und Sensibilit├Ąt finden, insbesondere in F├Ąllen, in denen Botschafter nicht besonders wichtig sind.

Es ist von entscheidender Bedeutung, dass es sich bei diesen Metriken nur um die Menge handelt, die auf dem Gebiet des maschinellen Lernens verf├╝gbar ist. Jede Metrik h├Ąngt von ihrem Propioprop├│sito und ihrer Relevanz ab, abh├Ąngig vom Drawback und den spezifischen Daten. Deshalb ist es von grundlegender Bedeutung, genau zu verstehen, was diese Metriken sind, und wie wir sie richtig interpretieren, um die Vorgehensweise bei der Umsetzung unserer Modelle zu beurteilen.



Source link

HINTERLASSEN SIE EINE ANTWORT

Please enter your comment!
Please enter your name here