Оценка качества модели: примеры кода для использования метрик точности, полноты и F1-меры

Оценка качества модели: примеры кода для использования метрик точности, полноты и F1-меры

В машинном обучении оценка качества модели является важным этапом. Для этого часто используются метрики, такие как точность, полнота и F1-мера. Давайте рассмотрим примеры кода на Python для использования этих метрик.

1. Точность (Precision):

from sklearn.metrics import precision_score

y_true = [0, 1, 1, 0, 1] y_pred = [0, 1, 0, 0, 1] precision = precision_score(y_true, y_pred) print('Точность:', precision)

2. Полнота (Recall):

from sklearn.metrics import recall_score

recall = recall_score(y_true, y_pred) print('Полнота:', recall)

3. F1-мера:

from sklearn.metrics import f1_score

f1 = f1_score(y_true, y_pred) print('F1-мера:', f1)

Эти примеры кода позволяют вычислить значения метрик точности, полноты и F1-меры для заданных истинных (y_true) и предсказанных (y_pred) значений. Эти метрики помогают понять, насколько хорошо модель справляется с классификацией. Например, высокая точность означает, что модель редко ошибается в предсказании положительных случаев, высокая полнота указывает на то, что модель хорошо находит все положительные случаи, а высокая F1-мера объединяет точность и полноту в одну метрику. Использование этих метрик помогает принимать обоснованные решения о качестве модели.

Создана 14.11.2023