Hodnocení a vizualizace modelů
Strojové učení od začátku do konce
Joshua Stapleton
Machine Learning Engineer
Přesnost
- Správné metriky přesnosti jsou klíčem k robustnímu hodnocení modelu
- Výsledky lze snadno nesprávně interpretovat nebo zastřít
Standardní přesnost:
- Standardní přesnost = počet správných odpovědí / počet odpovědí
- Standardní přesnost může být zavádějící
Příklad:
# achieves ~99% accuracy for imbalanced dataset of 99 positive and 1 negative
for patient_datapoint in heart_disease_dataset:
model.prediction(patient_datapoint) = 'positive'
Matice záměn
Skutečně pozitivní (TP)
- Predikce modelu = skutečná třída = pozitivní
- Model předpověděl srdeční chorobu, pacient ji měl
Falešně pozitivní (FP)
- Predikce modelu = pozitivní, skutečná třída = negativní
- Model předpověděl srdeční chorobu, pacient ji neměl
Falešně negativní (FN)
- Predikce modelu = negativní, skutečná třída = pozitivní
- Model nepředpověděl srdeční chorobu, pacient ji měl
Skutečně negativní (TN)
- Predikce modelu = skutečná třída = negativní
- Model nepředpověděl srdeční chorobu, pacient ji neměl
Vyvážená přesnost
- Lepší metrika než prostá přesnost pro většinu binárních klasifikačních modelů
- Poskytuje vážený průměr přes obě třídy
- Vyvážená přesnost = (TP + TN) / 2
from sklearn.metrics import balanced_accuracy_score
# Assume y_test is the true labels and y_pred are the predicted labels
y_pred = model.predict(X_test)
bal_accuracy = balanced_accuracy_score(y_test, y_pred)
print(f"Balanced Accuracy: {bal_accuracy:.2f}")
Balanced Accuracy: 0.85
Použití matice záměn
Křížová validace
Křížová validace
- Metoda převzorkování
- Zajišťuje robustnost výsledků
k-násobná křížová validace
- Parametr „k" = počet rozdělení datové sady
- Nové rozdělení na trénovací/testovací množinu při každém běhu
Použití křížové validace
- Přímočará implementace k-násobné křížové validace pomocí sklearn
- Hodnocení nezávislé na modelu
Použití:
from sklearn.model_selection import cross_val_score, KFold # split the data into 10 equal parts kfold = KFold(n_splits=5, shuffle=True, random_state=42)# get the cross validation accuracy for a given model cv_results = cross_val_score(model, heart_disease_X, heart_disease_y, cv=kfold, scoring='balanced_accuracy')
Ladění hyperparametrů
Hyperparametr:
- Globální parametr modelu (nemění se během trénování)
- Upravuje se pro zlepšení výkonu modelu
# Hyperparameters to test
C_values = [0.001, 0.01, 0.1, 1, 10, 100, 1000]
# Manually iterate over the hyperparameters
for C in C_values:
model = LogisticRegression(max_iter=200, C=C)
model.fit(X_train, y_train)
accuracy = cross_val_score(model, X, y, cv=kfold, scoring='balanced_accuracy')
print(f"C = {C}: Bal Acc: {accuracy.mean():.4f} (+/- {accuracy.std():.4f})")
Příklad ladění hyperparametrů
Příklad výstupu ladění hyperparametrů:
C = 0.001: Bal Acc: 0.6200 (+/- 0.0215)
C = 0.01: Bal Acc: 0.7325 (+/- 0.0234)
C = 0.1: Bal Acc: 0.7923 (+/- 0.0202)
C = 1: Bal Acc: 0.8050 (+/- 0.0191)
C = 10: Bal Acc: 0.8034 (+/- 0.0185)
C = 100: Bal Acc: 0.8021 (+/- 0.0187)
C = 1000: Bal Acc: 0.8017 (+/- 0.0188)
Pojďme si to procvičit!
Strojové učení od začátku do konce
