Chương trình học Bài 91 trên tổng số 250 · Những mô hình học máy đầu tiên của bạn
Những mô hình học máy đầu tiên của bạn

Đánh giá mô hình: Độ chính xác và sai số

Một mô hình đã huấn luyện là vô dụng cho tới khi bạn nói được nó tốt đến đâu. Điểm số đúng phụ thuộc vào thứ bạn đang dự đoán.

Phân loại: độ chính xác

Khi nhãn là một hạng mục (spam hay không, loài A/B/C), điểm đơn giản nhất là độ chính xác (accuracy): tỷ lệ các dự đoán đúng.

from sklearn.metrics import accuracy_score

acc = accuracy_score(y_true, y_pred)   # e.g. 0.875 means 7 of 8 right

Độ chính xác chạy từ 0 tới 1. Nhưng "tốt" là tương đối. Nếu 95 phần trăm email không phải spam, một mô hình lười luôn đoán "không spam" đã đạt 0.95 trong khi không bắt được spam nào. Hãy luôn so sánh với kiểu đường cơ sở ngây thơ đó trước khi ăn mừng một con số.

Hồi quy: sai số

Khi nhãn là một số liên tục (một mức giá, một nhiệt độ), độ chính xác không có nghĩa, bạn gần như không bao giờ dự đoán đúng giá trị chính xác. Thay vào đó bạn đo mình lệch bao xa. Một lựa chọn phổ biến là sai số tuyệt đối trung bình (MAE), độ lớn trung bình của phần lệch:

from sklearn.metrics import mean_absolute_error

mae = mean_absolute_error(y_true, y_pred)   # in the same units as y

MAE tính theo đơn vị của chính nhãn, nên dễ đọc: một MAE bằng 12 với giá nhà tính theo nghìn nghĩa là trung bình bạn lệch khoảng 12 nghìn. Thấp hơn là tốt hơn, và 0 là hoàn hảo.

Bạn sẽ tính cả hai: một độ chính xác từ các dự đoán cho sẵn, và một MAE từ một hồi quy tuyến tính tí hon fit trên một đường thẳng hoàn hảo (nên sai số của nó gần như bằng không).

Đến lượt bạn

Phần 1: các mảng y_true và y_pred (mỗi cái 8 nhãn, khác nhau đúng một chỗ) được cho. Đặt acc = accuracy_score(y_true, y_pred). Phần 2: X và target mô tả đường thẳng y = 2x. Fit một LinearRegression tên reg trên chúng, dự đoán trên X vào reg_pred, rồi đặt mae = mean_absolute_error(target, reg_pred).

Bạn thấy vấn đề gì trong bài học này? Hãy báo cáo nó · Hỏi về bài học này

Bài tập này sẽ sớm mở.

Hoàn thành bài học trước đó để mở khóa bài này. Toàn bộ khóa học là miễn phí, không cần tài khoản, và bạn có thể đọc bài học này ngay bây giờ.