Оценка качества нейронных сетей. Алгоритмы и практические примеры

8 или 80%

А для вычисления полноты:

– Recall = 80 / 95 = 0.842 или 84.2%

После этого, можно вычислить F1-меру:

– F1-Score = 2 * (0.8 * 0.842) / (0.8 +0.842) = 0.820

F1-мера для данной модели будет равна 0.820.

Алгоритм вычисления F1-меры позволяет учесть как точность, так и полноту предсказаний модели и является более сбалансированной мерой производительности для задач классификации, особенно на несбалансированных данных.

2. Полнота (recall): это метрика, которая оценивает способность модели корректно идентифицировать положительные примеры.

Полнота вычисляется как отношение числа правильно предсказанных положительных примеров к общему числу действительно положительных примеров.

Алгоритм вычисления F1-меры:

2.1. Получение набора данных исходных примеров и соответствующих меток классов.

2.2. Применение модели или алгоритма классификации к каждому примеру из набора данных для получения предсказанных меток классов.

2.3. Сравнение предсказанных меток с исходными метками для определения числа правильных предсказаний.

2.4. Вычисление точности (precision) путем деления числа правильно предсказанных положительных примеров на общее число положительных предсказаний.

2.5. Вычисление полноты (recall) путем деления числа правильно предсказанных положительных примеров на общее число действительно положительных примеров.

2.6. Вычисление F1-меры по формуле F1-Score = 2 * (precision * recall) / (precision + recall).

Например, если у нас есть следующие значения:

– Число правильных предсказаний положительных примеров (true positives) = 80

– Общее число положительных предсказаний (true positives + false positives) = 100

– Общее число действительно положительных примеров (true positives + false negatives) = 95

Тогда, для вычисления точности:

– Precision = 80 / 100 = 0.8 или 80%

А для вычисления полноты:

– Recall = 80 / 95 = 0.842 или 84.2%

После этого, можно вычислить F1-меру:

– F1-Score = 2 * (0.

8 * 0.842) / (0.8 +0.842) = 0.820

F1-мера для данной модели будет равна 0.820.

Алгоритм вычисления F1-меры позволяет учесть как точность, так и полноту предсказаний модели и предоставляет более сбалансированную оценку ее производительности в задачах классификации.

3. Точность (precision): это метрика, которая оценивает способность модели идентифицировать только правильные положительные примеры.