Özet - Metrikler

Bu grupta accuracy, precision, recall ve F1 metriklerini öğrendin.

Özet: metrikler

Bu grupta temel metrikleri derinleştirdin:

Kayıp eğitimde küçültülür, metrik yorumlanır; log-loss olasılık kalitesini ölçer.
Çok sınıfta sınıf başına doğruluk ve top-k doğruluk.
macro, weighted, micro ortalamaları; micro tek etiketli problemde doğruluğa eşittir.
ROC eğrisi ve eşikten bağımsız AUC.
F-beta ile kesinlik-duyarlılık dengesini ayarlamak; eşiği doğrulama verisinde seçmek.

Uygulama En iyi F1 eşiği

Olasılıklar p ve etiketler y için precision_recall_curve çalıştır, her eşiğin F1 değerini hesapla ve en yüksek F1'i veren eşiği yazdır.

Örnek çözümü göster

import numpy as np
from sklearn.metrics import precision_recall_curve

y = np.array([0, 0, 1, 0, 1, 1, 0, 1])
p = np.array([0.1, 0.3, 0.35, 0.4, 0.6, 0.7, 0.75, 0.9])

pr, re, esik = precision_recall_curve(y, p)
f1 = 2 * pr * re / (pr + re + 1e-12)
print(esik[f1[:-1].argmax()])

Kendini test et

Eşik seçmeden iki sınıflandırıcının sıralama gücünü karşılaştırmak için hangisi uygundur?
- F1
- Kesinlik
- ROC AUC
- Doğruluk
Cevabı göster

ROC AUC — AUC tüm eşikleri birlikte değerlendirir.

Çok sınıflı F1'i sınıflara eşit ağırlıkla al.

f1_score(y_true, y_pred, average=____)

Cevabı göster

f1_score(y_true, y_pred, average="macro")

Metrikleri eşleştir.

log_loss

Olasılık kalitesi
top_k_accuracy_score

İlk k içinde doğru
roc_auc_score

Sıralama gücü
fbeta_score

Ayarlanabilir denge

Sıradaki ders: Görselleştirme nedir?

Deneyiminizi Geliştiriyoruz

Çerez Tercihleri

Kesinlikle Gerekli Çerezler

Analitik Çerezler