Sklearn ကို အသုံးပြု၍ python တွင် မျှတသောတိကျမှုကို တွက်ချက်နည်း

ဟန်ချက်ညီသော တိကျမှုသည် အမျိုးအစားခွဲခြားမှုပုံစံ တစ်ခု၏ စွမ်းဆောင်ရည်ကို အကဲဖြတ်ရန် ကျွန်ုပ်တို့အသုံးပြုနိုင်သည့် မက်ထရစ်တစ်ခုဖြစ်သည်။

အောက်ပါအတိုင်း တွက်ချက်သည်။

Balanced Accuracy = (Sensitivity + Specificity) / ၂

ရွှေ-

• အာရုံခံစားနိုင်မှု – “ စစ်မှန်သောအပြုသဘောဆောင်နှုန်း” – မော်ဒယ်မှရှာဖွေတွေ့ရှိနိုင်သည့်အပြုသဘောဆောင်သောဖြစ်ရပ်များ၏ရာခိုင်နှုန်း။
• တိကျမှု – “ စစ်မှန်သော အနုတ်လက္ခဏာနှုန်း” – မော်ဒယ်က ရှာဖွေတွေ့ရှိနိုင်သည့် အနုတ်လက္ခဏာဆောင်သည့် ဖြစ်ရပ်များ၏ ရာခိုင်နှုန်း။

အတန်းနှစ်ခုသည် ဟန်ချက်မညီသောအခါတွင် ဤမက်ထရစ်သည် အထူးသဖြင့် အသုံးဝင်သည်၊ ဆိုလိုသည်မှာ အတန်းတစ်ခုသည် အခြားတစ်ခုထက် များစွာပိုနေပါသည်။

ဥပမာအားဖြင့်၊ အားကစားသုံးသပ်သူတစ်ဦးသည် မတူညီသောကောလိပ်ဘတ်စကက်ဘောကစားသမား 400 ကို NBA သို့ ရေးဆွဲမည်လား မခန့်မှန်းရန် ထောက်ပံ့ပို့ဆောင်ရေးဆုတ်ယုတ်မှုပုံစံကို အသုံးပြုသည်ဆိုပါစို့။

အောက်ဖော်ပြပါ ရှုပ်ထွေးမှု matrix သည် မော်ဒယ်မှ ပြုလုပ်သော ခန့်မှန်းချက်များကို အကျဉ်းချုပ်ဖော်ပြသည်-

မော်ဒယ်၏ မျှတသောတိကျမှုကို တွက်ချက်ရန်၊ အာရုံခံနိုင်စွမ်းနှင့် တိကျမှုကို ဦးစွာတွက်ချက်ပါမည်-

• အာရုံခံနိုင်စွမ်း : “ စစ်မှန်သော အပြုသဘောနှုန်း” = 15 / (15 + 5) = 0.75
• တိကျမှု – “ စစ်မှန်သော အနုတ်လက္ခဏာနှုန်း” = 375 / (375 + 5) = 0.9868

ထို့နောက် ကျွန်ုပ်တို့သည် မျှတသောတိကျမှုကို အောက်ပါအတိုင်း တွက်ချက်နိုင်သည်။

• Balanced Accuracy = (Sensitivity + Specificity) / ၂
• မျှခြေတိကျမှု = (0.75 + 9868) / 2
• မျှခြေတိကျမှု = 0.8684

မော်ဒယ်၏မျှတသောတိကျမှုသည် 0.8684 ဖြစ်လာသည်။

အောက်ပါဥပမာသည် Python ရှိ sklearn စာကြည့်တိုက်မှ Balanced_accuracy_score() လုပ်ဆောင်ချက်ကို အသုံးပြု၍ ဤသီးသန့်အခြေအနေအတွက် မျှတသောတိကျမှုကို တွက်ချက်နည်းကို ပြသထားသည်။

ဥပမာ- Python တွင် ဟန်ချက်ညီသော တိကျမှုကို တွက်ချက်ခြင်း။

အောက်ပါကုဒ်သည် ခန့်မှန်းထားသော အတန်းများ၏ array တစ်ခုနှင့် အမှန်တကယ် အတန်းများ၏ array ကို မည်သို့ သတ်မှတ်ရမည်ကို ပြသပြီး Python ရှိ မော်ဒယ်တစ်ခု၏ မျှတသော တိကျမှုကို တွက်ချက်သည်-

 import numpy as np
from sklearn. metrics import balanced_accuracy_score

#define array of actual classes
actual = np. repeat ([1, 0], repeats=[20, 380])

#define array of predicted classes
pred = np. repeat ([1, 0, 1, 0], repeats=[15, 5, 5, 375])

#calculate balanced accuracy score
balanced_accuracy_score(actual, pred)

0.868421052631579

မျှတသောတိကျမှုသည် 0.8684 ဖြစ်သည်။ ၎င်းသည် အစောပိုင်းတွင် ကျွန်ုပ်တို့ကိုယ်တိုင်တွက်ချက်ထားသော တန်ဖိုးနှင့် ကိုက်ညီပါသည်။

မှတ်ချက် – Balanced_accuracy_score() လုပ်ဆောင်ချက်အတွက် စာရွက်စာတမ်းအပြည့်အစုံကို ဤနေရာတွင် ရှာတွေ့နိုင်ပါသည်။

ထပ်လောင်းအရင်းအမြစ်များ

မျှတသောတိကျမှုအကြောင်း နိဒါန်း
Python တွင် Logistic Regression ကို မည်သို့လုပ်ဆောင်မည်နည်း။
Python တွင် F1 ရမှတ်ကို တွက်နည်း