मॉडल परखना: accuracy और त्रुटि
एक train किया मॉडल तब तक बेकार है जब तक आप न बता सकें कि वह कितना अच्छा है। सही score इस पर निर्भर है कि आप क्या अनुमान लगा रहे हैं।
Classification: accuracy
जब label एक श्रेणी हो (spam या नहीं, प्रजाति A/B/C), तो सबसे सादा score accuracy है: सही निकले अनुमानों का हिस्सा।
from sklearn.metrics import accuracy_score
acc = accuracy_score(y_true, y_pred) # e.g. 0.875 means 7 of 8 rightAccuracy 0 से 1 तक जाती है। पर "अच्छा" सापेक्ष है। अगर 95 प्रतिशत ईमेल spam नहीं हैं, तो हमेशा "not spam" अंदाज़ा लगाने वाला एक आलसी मॉडल शून्य spam पकड़ते हुए भी 0.95 ले आता है। किसी संख्या का जश्न मनाने से पहले हमेशा उस तरह की भोली baseline से तुलना करें।
Regression: त्रुटि
जब label एक लगातार संख्या हो (एक क़ीमत, एक तापमान), तो accuracy का कोई मतलब नहीं, आप लगभग कभी सटीक मान का अनुमान नहीं लगाएँगे। इसके बजाय आप मापते हैं कि आप कितनी दूर थे। एक आम चुनाव mean absolute error है, चूक का औसत आकार:
from sklearn.metrics import mean_absolute_error
mae = mean_absolute_error(y_true, y_pred) # in the same units as yMAE label की अपनी इकाई में होता है, जिससे इसे पढ़ना आसान है: हज़ारों में घरों की क़ीमत पर 12 का MAE मतलब आप औसतन लगभग 12k दूर हैं। कम बेहतर है, और 0 पूर्ण है।
आप दोनों निकालेंगे: दिए गए अनुमानों से एक accuracy, और एक पूरी तरह सीधी रेखा पर fit हुए छोटे linear regression से एक MAE (इसलिए उसकी त्रुटि लगभग शून्य होनी चाहिए)।
भाग 1: ऐरे y_true और y_pred (हर एक में 8 labels, ठीक एक जगह अलग) दिए गए हैं। acc = accuracy_score(y_true, y_pred) सेट करें। भाग 2: X और target रेखा y = 2x बताते हैं। उन पर reg नाम का एक LinearRegression fit करें, X पर predict करके reg_pred में रखें, फिर mae = mean_absolute_error(target, reg_pred) सेट करें।
इस पाठ में कोई समस्या दिखी? बताएँ · इस पाठ के बारे में पूछें
यह अभ्यास जल्द खुलेगा
इससे पहले वाला पाठ पूरा करें और यह खुल जाएगा। पूरा कोर्स मुफ़्त है, कोई खाता नहीं चाहिए, और आप यह पाठ अभी पढ़ सकते हैं।
यह ब्राउज़र learn.floati.life के लिए कुकी रोक रहा है, इसलिए यहाँ पूरे किए गए पाठ क्रम से नहीं खुल सकते। इस साइट के लिए कुकी की अनुमति दें और फिर से लोड करें।