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 können wir uns über die Entwicklung unserer Modelle freuen? Im weiteren Verlauf erhalten wir eine kurze und zugängliche Erklärung.
Comencemos con la precision, a metrica ampliamente utilizada. Die mittlere Präzision der Vorhersagen wird vom Modell im Vergleich zur Gesamtvorhersage korrekt ermittelt. In anderen Worten, wir wissen, dass „präzise“ unser Modell mit seinen Vorhersagen ist. Allerdings müssen wir uns darauf verlassen, dass die Präzision engmaschig sein kann, ohne Rücksicht auf den Kontext und das Klassengleichgewicht in unseren Daten zu nehmen.
Eine andere wichtige Metrik ist die Sensibilität, auch wenn sie als positiv angesehen wird. Diese Metrik zeigt die Kapazität des Modells an, um die tatsächlichen Fälle im Vergleich zur Gesamtzahl der tatsächlichen Fälle korrekt zu identifizieren. Darüber hinaus ist die Sensibilität unseres Hauses so groß, 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, müssen wir die Fähigkeit des Modells berücksichtigen, um detrimental Fälle korrekt zu identifizieren und sie mit der Gesamtzahl der tatsächlichen negativen Fälle zu vergleichen. Wir haben uns entschieden, dass unser bestes Modell die Fälle ausschließen kann, die uns nicht interessieren.
Abgesehen von diesen Messwerten gibt es einen mittleren F1-Wert, der Präzision und Sensibilität in einem einzigen Messwert vereint. Die Tapferkeit der F1 kommt uns zugute, wenn wir ein Gleichgewicht zwischen Präzision und Sensibilität finden, insbesondere in Fällen, 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 verfügbar ist. Jede Metrik hängt von ihrem Propiopropósito und ihrer Relevanz ab, abhängig 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.
