mysimulator.uk
🔍 Szukaj symulacji…/
PL ▼
EnglishDomyślnyУкраїнськаPolskiEspañolDeutsch日本語ItalianoPortuguês (BR)FrançaisالعربيةNederlands中文한국어हिन्दीTürkçeTiếng ViệtРусскийBahasa IndonesiaفارسیবাংলাไทยFilipinoKiswahiliاردوBahasa Melayuதமிழ்עבריתΕλληνικάਪੰਜਾਬੀአማርኛမြန်မာဘာသာខ្មែរქართულიनेपालीМонгол хэлՀայերենසිංහලລາວČeštinaRomânăMagyarБългарскиSvenskaDanskSuomiNorskSlovenčinaHrvatskiСрпскиSlovenščinaLietuviųLatviešuEestiÍslenskaShqipМакедонскиBosanskiMaltiAzərbaycancaҚазақшаO'zbekchaТоҷикӣКыргызча
Strona główna▸Artykuły▸Geologia i nauka o Ziemi

Metryki Oceny Modeli Maszynowych: Accuracy, Precision, Recall, F1-Score - Rozwiązania AI

Zrozumienie kluczowych metrik takich jak accuracy, precision, recall i F1-score jest niezbędne do oceny, jak dobrze modele maszynowe wykonywane są.

mysimulator teamZaktualizowano — czerwiec 2026≈ 3 min czytania▶ Otwórz symulację

Ocena Modeli Maszynowego Wyznaczania Klas: Dokładność, Precyzja, Powrót i F1-Score

Wybór odpowiednich metric oceny jest kluczowy przy tworzeniu modeli maszynowego wyznaczania klas.

Różne metryki oferują różne perspektywy na jakość modelu, a zrozumienie ich pomaga w podejmowaniu informowanych decyzji.

Dokładność: Najprostszym miernikiem – proporcja poprawnych prognozy

Dokładność to prosta metryka, która pomiarzana jest jako proporcja poprawnych prognoz wydanej przez model.

Funkcjonuje ona dobrze dla równych zestawów danych, ale może być kłopotliwa w przypadku niezrównoważonych rozkładów danych.

demo na żywo · powiązana symulacja● LIVE

Krzywa ROC: Wizualizacja Stosunku Prawdziwych Pozytywnych i Fałszywie Pozytywnych

Krzywa Receiver Operating Characteristic (ROC) wizualnie przedstawia trade-off między Stosunkiem Prawdziwych Pozytywnych (TPR), znane również jako Recall, a Stosunkiem Fałszywie Pozytywnych (FPR).

Krzywa ROC rysuje TPR w zależności od FPR przy różnych prógach klasyfikacji; wartość 1.0 oznacza idealny model bez błędu.

Często zadawane pytania

Jak się różnią macro i micro średnianie podczas oceny metryk?

Macro-średnianie oblicza metrykę niezależnie dla każdego klasyfikatora, podczas gdy micro-średnianie łączy wszystkie predykcje w pojedynczą wartość. Ta różnica w obliczeniach może znacząco wpłynąć na zaznaczoną wydajność, szczególnie dla zbiorów danych niezrównoważonych.

Czym jest Macro Średnia? Jak oblicza ona dokładność?

Macro Średnia oblicza średnią dokładność po wszystkich klasach, traktując każdą klasę równo niezależnie od jej wielkości. To daje równoważny widok wydajności modelu na każdym kategorii.

Czym jest Micro Średnia? Jak oblicza ona dokładność?

Micro Średnia oblicza średnią dokładność, biorąc pod uwagę wszystkie predykcje po wszystkich klasach, ignorując w ten sposób niezrównoważone klasy. To daje globowy widok ogólnej wydajności modelu.

Czym jest Średnia ważona i jak oblicza ona dokładność?

Średnia ważona oblicza średnią dokładność, wagając dokładność każdej klasy na podstawie jej wielkości, przyznając większą wagę większym klasom. Ten podejście odzwierciedla rozkład danych rzeczywistych podczas oceny wydajności.

Wypróbuj na żywo

Wszystko powyżej działa bezpośrednio w Twojej przeglądarce — otwórz Earthquake Wave Propagation Simulation i zmieniaj parametry podczas działania. Nic nie jest instalowane ani przesyłane na serwer, cały model działa w jednej karcie.

▶ Otwórz symulację Earthquake Wave Propagation Simulation

Co znalazłeś?

Dodaj kroki odtworzenia (opcjonalnie)