Разумевање тачности у моделима машинског учења

Тачност се односи на то колико се предвиђања модела подударају са правим вредностима. То је мера разлике између предвиђеног и стварног учинка. Другим речима, мери колико је модел у стању да предвиди тачан излаз за дати улаз.ӕӕПостоји неколико начина за мерење тачности, укључујући:ӕӕ1. Средња апсолутна грешка (МАЕ): Ово мери просечну разлику између предвиђених и стварних вредности. Ниже вредности указују на већу тачност.ӕ2. Средња квадратна грешка (МСЕ): Ово мери просек квадрата разлика између предвиђених и стварних вредности. Ниже вредности указују на већу тачност.ӕ3. Роот Меан Скуаред Еррор (РМСЕ): Ово је слично МСЕ, али се израчунава као квадратни корен МСЕ. Ниже вредности указују на већу тачност.ӕ4. Средња апсолутна процентуална грешка (МАПЕ): Ово мери просечну апсолутну разлику између предвиђених и стварних вредности као проценат стварне вредности. Ниже вредности указују на већу тачност.ӕ5. Р-квадрат: Ово мери пропорцију варијације у зависној променљивој која је објашњена независном променљивом(ама). Више вредности указују на боље уклапање модела у податке.ӕ6. Ф1 резултат: Ово је мера равнотеже између прецизности и памћења. То је хармонијска средина прецизности и присећања, и креће се од 0 (најгоре) до 1 (најбоље).ӕ7. Прецизност: Ово мери удео истинитих позитивних резултата међу свим позитивним предвиђањима. Више вредности указују на бољу способност разликовања позитивних и негативних случајева.ӕ8. Подсетимо: Ово мери удео истинитих позитивних случајева међу свим стварним позитивним случајевима. Више вредности указују на бољу способност откривања свих позитивних случајева.ӕӕВажно је напоменути да ниједна појединачна мера тачности није савршена за сваку ситуацију, а различите мере могу бити прикладније у зависности од конкретног проблема који се решава.