Arti metrik evaluasi di Tensorflow


Saya cukup banyak pemula di Tensorflow dan cukup ikuti tutorial. Tidak ada masalah dengan kode saya, tapi saya punya pertanyaan tentang output

accuracy: 0.95614034
accuracy_baseline: 0.6666666
auc: 0.97714674
auc_precision_recall: 0.97176754
average_loss: 0.23083039
global_step: 760
label/mean: 0.33333334
loss: 6.578666
prediction/mean: 0.3428335

Saya ingin tahu apa yang dilambangkan "prediksi / maksud" dan "label / maksud"?


2
Mungkin Anda bisa memberikan baris kode yang menghasilkan output ini, bersama dengan info tentang arsitektur, pengaturan, dan data?
Andreas Storvik Strauman

Selamat datang di AI! Saran Andeas adalah saran yang bagus (re: memberikan informasi lebih lanjut.)
DukeZhou

Jawaban:


Semua ini bisa menjadi masalah khusus (kecuali mungkin akurasi). Sebagian besar didokumentasikan di sini :

  • akurasi: Persentase jumlah klasifikasi yang benar
  • akurasi_baseline: Garis dasar akurasi berdasarkan label artinya. Ini adalah yang terbaik yang bisa dilakukan model dengan selalu memprediksi satu kelas. ( sumber )
  • AUC atau Area Under the (ROC) Curve cukup rumit, tetapi memberi tahu Anda sesuatu tentang tingkat positif benar / salah. Singkatnya: AUC sama dengan probabilitas bahwa penggolong akan memberi peringkat contoh positif yang dipilih secara acak lebih tinggi daripada yang negatif yang dipilih secara acak.
  • auc_precision_recall: Adalah persentase dari benda yang relevan, di antara instance yang diambil, yang telah diambil dari jumlah total instance yang relevan.
  • average_loss: Anda biasanya meminimalkan beberapa fungsi, dan ini kemungkinan nilai rata-rata dari fungsi itu diberikan batch saat ini.
  • loss: Nilai saat ini dari loss (seperti di atas). Baik jumlah kerugian, atau hilangnya batch terakhir.
  • global_step: Jumlah iterasi.
  • label / mean dan prediksi / mean: Tidak benar-benar yakin, tetapi saya menduga bahwa jika Anda memiliki dua kelas maka label / rata-rata adalah nilai rata-rata dari label nilai, sedangkan prediksi / rata-rata bisa menjadi nilai dari prediksi yang sesuai. (dua kelas bisa memberi Anda nilai antara 0 dan 1)
Dengan menggunakan situs kami, Anda mengakui telah membaca dan memahami Kebijakan Cookie dan Kebijakan Privasi kami.
Licensed under cc by-sa 3.0 with attribution required.