La precisione \u00e8 semplicemente la percentuale di tutte le osservazioni correttamente classificate dal modello.<\/span><\/p>\n Viene calcolato come segue:<\/span><\/p>\n Accuratezza = (# veri positivi + # veri negativi) \/ (dimensione totale del campione)<\/span><\/p>\n Una domanda che gli studenti spesso pongono riguardo all\u2019accuratezza \u00e8:<\/span><\/p>\n Qual \u00e8 il valore considerato \u201cbuono\u201d per l\u2019accuratezza di un modello di machine learning?<\/strong><\/em><\/span><\/p>\n Sebbene la precisione di un modello possa variare tra lo 0% e il 100%, non esiste una soglia universale da utilizzare per determinare se un modello ha o meno una precisione “buona”.<\/span><\/p>\n Invece, in genere confrontiamo l’accuratezza del nostro modello con quella di un modello di riferimento.<\/span><\/strong><\/p>\n Un modello di base prevede semplicemente che ogni osservazione in un set di dati appartiene alla classe pi\u00f9 comune.<\/span><\/p>\n In pratica qualsiasi modello di classificazione con accuratezza superiore a un modello di riferimento pu\u00f2 essere considerato \u201cutile\u201d, ma ovviamente maggiore \u00e8 la differenza di accuratezza tra il nostro modello e un modello di riferimento, meglio \u00e8.<\/span><\/p>\n L’esempio seguente mostra come determinare approssimativamente se un modello di classificazione ha una precisione “buona” o meno.<\/span><\/p>\n Supponiamo di utilizzare un modello di regressione logistica<\/a> per prevedere se 400 diversi giocatori di basket universitari verranno arruolati o meno nella NBA.<\/span><\/p>\n La seguente matrice di confusione<\/a> riassume le previsioni fatte dal modello:<\/span> <\/p>\n Ecco come calcolare la precisione di questo modello:<\/span><\/p>\n Il modello ha previsto correttamente il risultato per il 72,5%<\/strong> dei giocatori.<\/span><\/p>\n Per avere un\u2019idea se la precisione \u00e8 \u201cbuona\u201d o meno, possiamo calcolare la precisione di un modello di base.<\/span><\/p>\n In questo esempio, il risultato pi\u00f9 comune per i giocatori \u00e8 stato l’annullamento del draft. Nello specifico, 240 giocatori su 400 non sono stati pescati.<\/span><\/p>\n Un modello di base sarebbe quello che prevede semplicemente che ogni giocatore non verr\u00e0 scelto per il draft.<\/span><\/p>\n La precisione di questo modello verrebbe calcolata come segue:<\/span><\/p>\n Questo modello di base prevederebbe correttamente il risultato per il 60%<\/strong> dei giocatori.<\/span><\/p>\n In questo scenario, il nostro modello di regressione logistica fornisce un notevole miglioramento della precisione rispetto a un modello di base, quindi consideriamo il nostro modello almeno “utile”.<\/span><\/p>\n In pratica, probabilmente adatteremmo diversi modelli di classificazione e sceglieremmo il modello finale come quello che fornisce il maggiore guadagno in termini di accuratezza rispetto a un modello di base.<\/span><\/p>\n La precisione \u00e8 una metrica comunemente utilizzata perch\u00e9 \u00e8 facile da interpretare.<\/span><\/p>\n Ad esempio, se diciamo che un modello \u00e8 accurato al 90%, sappiamo che ha classificato correttamente il 90% delle osservazioni.<\/span><\/p>\n Tuttavia, l\u2019accuratezza non tiene conto della modalit\u00e0 di distribuzione dei dati.<\/span><\/p>\n Ad esempio, supponiamo che il 90% di tutti i giocatori non siano arruolati nella NBA.<\/span> Se avessimo un modello che prevedesse semplicemente che ogni giocatore non sarebbe stato scelto per il draft, il modello predirebbe correttamente il risultato per il 90% dei giocatori.<\/span><\/p>\n Questo valore sembra elevato, ma in realt\u00e0 il modello non \u00e8 in grado di prevedere correttamente quali giocatori verranno scelti.<\/span><\/p>\n Una metrica alternativa spesso utilizzata \u00e8 chiamata F1 Score<\/strong> , che tiene conto di come vengono distribuiti i dati.<\/span><\/p>\n Ad esempio, se i dati sono molto sbilanciati (ad esempio il 90% di tutti i giocatori non sono pescati e il 10% lo \u00e8), allora il punteggio F1 fornir\u00e0 una migliore valutazione delle prestazioni del modello.<\/span><\/p>\n Scopri di pi\u00f9 sulle differenze tra precisione e punteggio F1 qui<\/a> .<\/span><\/p>\n Le esercitazioni seguenti forniscono informazioni aggiuntive sui parametri utilizzati nei modelli di classificazione del machine learning:<\/span><\/p>\n Cos’\u00e8 la precisione bilanciata?<\/a> Quando utilizziamomodelli di classificazione nell’apprendimento automatico, una metrica che utilizziamo spesso per valutare la qualit\u00e0 di un modello \u00e8 l’accuratezza . La precisione \u00e8 semplicemente la percentuale di tutte le osservazioni correttamente classificate dal modello. Viene calcolato come segue: Accuratezza = (# veri positivi + # veri negativi) \/ (dimensione totale del campione) Una domanda […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n Esempio: determinare se un modello ha una precisione “buona”.<\/strong><\/span><\/h2>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/\u1405-\u1405-\u1405.png\")
<\/p>\n\n
\n
Precauzioni per l’utilizzo dell’accuratezza per valutare le prestazioni del modello<\/strong><\/span><\/h2>\n
Risorse addizionali<\/strong><\/span><\/h3>\n
Cosa \u00e8 considerato un punteggio F1 “buono”?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"