Precyzja to po prostu procent wszystkich obserwacji poprawnie sklasyfikowanych przez model.<\/span><\/p>\n Oblicza si\u0119 go w nast\u0119puj\u0105cy spos\u00f3b:<\/span><\/p>\n Dok\u0142adno\u015b\u0107 = (# prawdziwie pozytywne + # prawdziwie negatywne) \/ (ca\u0142kowita wielko\u015b\u0107 pr\u00f3bki)<\/span><\/p>\n Pytanie, kt\u00f3re uczniowie cz\u0119sto zadaj\u0105 na temat dok\u0142adno\u015bci, brzmi:<\/span><\/p>\n Jaka jest \u201edobra\u201d warto\u015b\u0107 dok\u0142adno\u015bci modelu uczenia maszynowego?<\/strong><\/em><\/span><\/p>\n Chocia\u017c dok\u0142adno\u015b\u0107 modelu mo\u017ce waha\u0107 si\u0119 od 0% do 100%, nie ma uniwersalnego progu, kt\u00f3rego u\u017cywamy do okre\u015blenia, czy model ma \u201edobr\u0105\u201d dok\u0142adno\u015b\u0107, czy nie.<\/span><\/p>\n Zamiast tego zazwyczaj por\u00f3wnujemy dok\u0142adno\u015b\u0107 naszego modelu z dok\u0142adno\u015bci\u0105 modelu referencyjnego.<\/span><\/strong><\/p>\n Model bazowy po prostu przewiduje, \u017ce ka\u017cda obserwacja w zbiorze danych nale\u017cy do najcz\u0119stszej klasy.<\/span><\/p>\n W praktyce ka\u017cdy model klasyfikacyjny o wi\u0119kszej dok\u0142adno\u015bci ni\u017c model referencyjny mo\u017cna uzna\u0107 za \u201eprzydatny\u201d, jednak oczywi\u015bcie im wi\u0119ksza jest r\u00f3\u017cnica w dok\u0142adno\u015bci pomi\u0119dzy naszym modelem a modelem referencyjnym, tym lepiej.<\/span><\/p>\n Poni\u017cszy przyk\u0142ad pokazuje, jak z grubsza okre\u015bli\u0107, czy model klasyfikacyjny ma \u201edobr\u0105\u201d dok\u0142adno\u015b\u0107, czy nie.<\/span><\/p>\n Za\u0142\u00f3\u017cmy, \u017ce u\u017cywamy modelu regresji logistycznej<\/a> do przewidzenia, czy 400 r\u00f3\u017cnych koszykarzy z college’u zostanie powo\u0142anych do NBA.<\/span><\/p>\n Poni\u017csza macierz zamieszania<\/a> podsumowuje przewidywania dokonane przez model:<\/span> <\/p>\n Oto jak obliczy\u0107 dok\u0142adno\u015b\u0107 tego modelu:<\/span><\/p>\n Model poprawnie przewidzia\u0142 wynik dla 72,5%<\/strong> graczy.<\/span><\/p>\n Aby zorientowa\u0107 si\u0119, czy dok\u0142adno\u015b\u0107 jest \u201edobra\u201d, czy nie, mo\u017cemy obliczy\u0107 dok\u0142adno\u015b\u0107 modelu bazowego.<\/span><\/p>\n W tym przyk\u0142adzie najcz\u0119stszym rezultatem dla graczy by\u0142o rezygnacja z draftu. Konkretnie, 240 z 400 graczy nie zosta\u0142o wybranych.<\/span><\/p>\n Podstawowym modelem by\u0142by taki, kt\u00f3ry po prostu przewiduje, \u017ce ka\u017cdy gracz nie zostanie wybrany.<\/span><\/p>\n Dok\u0142adno\u015b\u0107 tego modelu mo\u017cna obliczy\u0107 w nast\u0119puj\u0105cy spos\u00f3b:<\/span><\/p>\n Ten podstawowy model poprawnie przewidzia\u0142by wynik dla 60%<\/strong> graczy.<\/span><\/p>\n W tym scenariuszu nasz model regresji logistycznej zapewnia zauwa\u017caln\u0105 popraw\u0119 dok\u0142adno\u015bci w por\u00f3wnaniu z modelem bazowym, dlatego uwa\u017camy, \u017ce nasz model jest co najmniej \u201eprzydatny\u201d.<\/span><\/p>\n W praktyce prawdopodobnie dopasowaliby\u015bmy kilka r\u00f3\u017cnych modeli klasyfikacji i wybrali model ostateczny jako ten, kt\u00f3ry zapewnia najwi\u0119kszy wzrost dok\u0142adno\u015bci w por\u00f3wnaniu z modelem bazowym.<\/span><\/p>\n Precyzja jest powszechnie stosowan\u0105 miar\u0105, poniewa\u017c jest \u0142atwa do interpretacji.<\/span><\/p>\n Na przyk\u0142ad, je\u015bli powiemy, \u017ce model jest dok\u0142adny w 90%, wiemy, \u017ce poprawnie sklasyfikowa\u0142 90% obserwacji.<\/span><\/p>\n Dok\u0142adno\u015b\u0107 nie uwzgl\u0119dnia jednak sposobu dystrybucji danych.<\/span><\/p>\n Za\u0142\u00f3\u017cmy na przyk\u0142ad, \u017ce 90% wszystkich graczy nie jest powo\u0142anych do NBA.<\/span> Gdyby\u015bmy mieli model, kt\u00f3ry po prostu przewidywa\u0142, \u017ce ka\u017cdy gracz nie zostanie wybrany do draftu, model ten poprawnie przewidzia\u0142by wynik dla 90% graczy.<\/span><\/p>\n Warto\u015b\u0107 ta wydaje si\u0119 wysoka, ale w rzeczywisto\u015bci model nie jest w stanie poprawnie przewidzie\u0107, kt\u00f3rzy gracze zostan\u0105 powo\u0142ani do draftu.<\/span><\/p>\n Cz\u0119sto u\u017cywanym alternatywnym miernikiem jest wynik F1<\/strong> , kt\u00f3ry uwzgl\u0119dnia spos\u00f3b dystrybucji danych.<\/span><\/p>\n Na przyk\u0142ad, je\u015bli dane s\u0105 bardzo niezr\u00f3wnowa\u017cone (np. 90% wszystkich graczy nie zosta\u0142o wybranych do draftu, a 10% tak), w\u00f3wczas wynik F1 zapewni lepsz\u0105 ocen\u0119 wydajno\u015bci modelu.<\/span><\/p>\n Dowiedz si\u0119 wi\u0119cej o r\u00f3\u017cnicach pomi\u0119dzy celno\u015bci\u0105 a wynikiem F1 tutaj<\/a> .<\/span><\/p>\n Poni\u017csze samouczki zawieraj\u0105 dodatkowe informacje na temat metryk u\u017cywanych w modelach klasyfikacji uczenia maszynowego:<\/span><\/p>\n Co to jest zr\u00f3wnowa\u017cona dok\u0142adno\u015b\u0107?<\/a> Podczas korzystania z modeli klasyfikacyjnych w uczeniu maszynowym jednym z miernik\u00f3w, kt\u00f3rego cz\u0119sto u\u017cywamy do oceny jako\u015bci modelu, jest dok\u0142adno\u015b\u0107 . Precyzja to po prostu procent wszystkich obserwacji poprawnie sklasyfikowanych przez model. Oblicza si\u0119 go w nast\u0119puj\u0105cy spos\u00f3b: Dok\u0142adno\u015b\u0107 = (# prawdziwie pozytywne + # prawdziwie negatywne) \/ (ca\u0142kowita wielko\u015b\u0107 pr\u00f3bki) Pytanie, kt\u00f3re uczniowie cz\u0119sto […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-3161","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n Przyk\u0142ad: Ustalanie, czy model ma \u201edobr\u0105\u201d dok\u0142adno\u015b\u0107<\/strong><\/span><\/h2>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/\u1405-\u1405-\u1405.png\")
<\/p>\n\n
\n
\u015arodki ostro\u017cno\u015bci dotycz\u0105ce stosowania dok\u0142adno\u015bci do oceny wydajno\u015bci modelu<\/strong><\/span><\/h2>\n
Dodatkowe zasoby<\/strong><\/span><\/h3>\n
Co uwa\u017ca si\u0119 za \u201edobry\u201d wynik w F1?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"