تقييم النماذج: الدقة والخطأ
A عديم الفائدة حتى تتمكن من تحديد مدى جودته. الدرجة الصحيحة تعتمد على ما تقوم بالتنبؤ به.
تصنيف: accuracy
عندما يكون الملصق فئة (بريد مزعج أو ليس كذلك، نوع A/B/C)، فإن أبسط مقياس هو accuracy: نسبة التوقعات التي كانت صحيحة.
from sklearn.metrics import accuracy_score
acc = accuracy_score(y_true, y_pred) # e.g. 0.875 means 7 of 8 rightتتراوح الدقة من 0 إلى 1. لكن "جيد" أمر نسبي. إذا كان 95 بالمئة من البريد ليس مزعجاً، فإن نموذجاً كسولاً يخمّن دائماً "not spam" يحرز 0.95 أصلاً بينما لا يلتقط أي رسالة مزعجة. قارن دائماً مع هذا النوع من خطوط الأساس الساذجة قبل الاحتفال برقم.
Regression: خطأ
عندما يكون الملصق رقما مستمرا (مثل سعر أو درجة حرارة)، فإن الدقة ليس لها معنى، فلن تتوقع القيمة الدقيقة أبدا. بدلا من ذلك، تقيس مدى بعدك عن القيمة. الخيار الشائع هو mean absolute error، وهو متوسط حجم الخطأ:
from sklearn.metrics import mean_absolute_error
mae = mean_absolute_error(y_true, y_pred) # in the same units as yMAE هو في وحدات الملصق الخاصة، مما يجعله سهل القراءة: قيمة MAE تساوي 12 لأسعار المنازل بالآلاف تعني أنك بعيد بنحو 12 ألف في المتوسط. القيمة الأقل هي الأفضل، و0 هو القيمة المثالية.
ستقوم بحساب كل من: الدقة من التوقعات المعطاة، وMAE من ملاءمة انحدار خطي صغير على خط مستقيم تماما (لذا يجب أن يكون خطؤه صفرا بشكل أساسي).
الجزء 1: يتم إعطاء المصفوفات y_true و y_pred (8 تسميات لكل منهما، تختلف في نقطة واحدة بالضبط). قم بتعيين acc = accuracy_score(y_true, y_pred). الجزء 2: يصف X و target الخط y = 2x. قم بملاءمة LinearRegression باسم reg عليهما، ثم توقع على X في reg_pred، وبعد ذلك قم بتعيين mae = mean_absolute_error(target, reg_pred).
سيفتح هذا التمرين قريبا
أنهِ الدرس السابق ليفتح هذا الدرس. الدورة كاملة مجانية، ولا تحتاج إلى حساب، ويمكنك قراءة هذا الدرس الآن.
يقوم هذا المتصفح بحظر ملفات تعريف الارتباط لـ learn.floati.life، لذا لا يمكن فتح الدروس التي أنهيتها هنا بالترتيب. اسمح بملفات تعريف الارتباط لهذا الموقع وأعد التحميل.