Makine Öğrenmesi alanında kullanabileceğimiz birçok metrikten bahsetmiştik. Bunlarla ilgili daha fazla bilgiye aşağıdan ulaşabilirsiniz.

Kısaca bu metriklerin ne işe yaradığından bahsettikten sonra, bu metriklerin hangi problem için uygun olacağı üzerinde duracağız.

Bir makine öğrenme algoritmasını verilerimize uyguladıktan sonraki adım, modelin  veriye ne kadar uygun olduğunu bulmaktır.  Farklı makine öğrenmesi algoritmalarını değerlendirmek için farklı performans metrikleri kullanılmaktadır. Yani, elimizdeki veri kümesine bağlı olarak farklı algoritmaların verimliliğini ölçmek için farklı metrikler gereklidir.

Bir makine öğrenmesi modelinin performansını değerlendirirken bir sonraki önemli nokta model performansını değerlendirmek için hangi veri kümesinin kullanılması gerektiğidir. Makine öğrenmesi modeli, eğitim seti kullanılarak basitçe test edilemez, çünkü çıktılar önyargılı olabilir. Bu nedenle genelleme hatasını tahmin etmek için modelin henüz görmediği bir veri setini test etmesi gerekmektedir yani test veri setini. Bu nedenle, modelin test edilmesi amacıyla etiketli bir veri kümesi gerekir.

Regresyon için Performans Metrikleri

Sınıflandırma için Performans Metrikleri

Denetimsiz Modeller için Performans Metrikleri

  • Rand Index
  • Mutual Information

Diğer Performans Metrikleri

  • CV Error
  • Heuristic Methods to Find k
  • Bilingual Evaluation Understudy (BLEU Score)  (Doğal Dil İşleme için)

 

 

Designed by Freepik