Не все методы оценки модели одинаковы В машинном обучении у нас есть различные метрики для оценки производительности модели, например точность, матрица неточностей, точность, отзыв, F1-оценка, лог-потери, AUC, распределение ошибок, MAD (медианное абсолютное распределение). Некоторые из них предназначены для классификации, а некоторые - для задачи регрессии. Давайте придерживаться метрик классификации в этой части, а метрики, относящиеся к регрессии, будут в другой части этой статьи...

Понимание того, как работает метрика потери журналов, и ее создание с нуля Логарифмические потери (логарифмические потери) в основном штрафуют нашу модель за неопределенность в правильных прогнозах и серьезно наказывают нашу модель за неправильный прогноз. В этой статье мы поймем, как работает метрика потери журналов, и сами будем кодировать метрику потери журналов с нуля. Log Loss, как следует из названия, является показателем потерь, а потери - это не то, что нам нужно, поэтому..

Выбор способа оценки модели машинного обучения является одним из наиболее важных решений в процессе машинного обучения. Решение должно сбалансировать реальное применение алгоритма, математическое свойство функции оценки и интерпретируемость меры. Часто мы слышим вопрос, насколько точна ваша модель. Точность — это простая мера, которая говорит нам, какой процент строк мы получили правильно. Однако иногда точность не говорит всей истории. Рассмотрим случай выявления СПАМ в электронном..

Глубокое погружение в логистическую регрессию: простая, но такая мощная This blog is beginner friendly, will start from scratch and cover up to a medium-advance level of intuitive understanding of Logistic Regression. Blog is divided into 3 parts. Contents of each part are mentioned below. All the techniques and concepts are explained using first principle technique . This blog uses various references as well which I have mentioned below.Criticism and doubts are welcome. Please go..