conversation_by_a59

[student_a59]

Jaki rozmiar ma macierz pomyłek

[bot_external]

Nie mogę znaleźć informacji o rozmiarze macierzy pomyłek w dostępnym kontekście.

[student_a59]

Jaki rozmiar ma macierz pomyłek zależnie od ilości klas

[bot_external]

Nie mogę znaleźć informacji o rozmiarze macierzy pomyłek w dostępnym kontekście.

[student_a59]

Jak obliczyć dokładność modelu UM?

[bot_external]

Dokładność (ang. Accuracy) modelu Uczenia Maszynowego (UM) to stosunek poprawnie zaklasyfikowanych przez model przykładów testowych do wszystkich przykładów testowych. Im większa wartość dokładności, tym lepiej - jeżeli model będzie się zawsze mylił, dokładność wyniesie 0, natomiast jeżeli wszystkie testowe przypadki zostaną zaklasyfikowane poprawnie, dokładność wyniesie 1.

Aby obliczyć dokładność modelu UM, należy podzielić liczbę poprawnie zaklasyfikowanych przykładów testowych przez ogólną liczbę przykładów testowych.

Przykład: Jeśli model UM zaklasyfikował 88 przykładów testowych poprawnie spośród 100, to dokładność modelu wyniesie 88/100 = 0,88.

[student_a59]

Jak obliczyć F-Score?

[bot_external]

F-Score obliczamy jako średnią harmoniczną precyzji (precision) i czułości (recall). Aby obliczyć F-Score, należy najpierw obliczyć precyzję i czułość modelu.

Precyzja to liczba poprawnie rozpoznanych przez model przykładów pozytywnych (przykłady prawdziwie pozytywne) podzielona przez liczbę wszystkich przykładów rozpoznanych przez model jako pozytywne.

Czułość to liczba poprawnie rozpoznanych przez model przykładów pozytywnych (przykłady prawdziwie pozytywne) podzielona przez liczbę wszystkich przykładów, które powinny być rozpoznane jako pozytyny.

Po obliczeniu precyzji i czułości, podstawiamy obie wartości do wzoru i obliczamy F-Score.

Przykład: Jeśli model ma precyzję 80% i czułość 80%, to F-Score wyniesie 0,8.

[student_a59]

Jak obliczyć precyzję

[bot_external]

Precyzja to liczba poprawnie rozpoznanych przez model przykładów pozytywnych (przykłady prawdziwie pozytywne) podzielona przez liczbę wszystkich przykładów rozpoznanych przez model jako pozytywne.

Aby obliczyć precyzję, należy podzielić liczbę poprawnie rozpoznanych przez model przykładów pozytywnych przez liczbę wszystkich przykładów rozpoznanych przez model jako pozytywne.

Przykład: Jeśli model rozpoznał 27 przykładów jako pozytywne i wszystkie one były prawdziwie pozytywne, to precyzja modelu wyniesie 27/27 = 1, czyli 100%.