breadcrumbDescription
Evaluer modelkvalitet
Brug træningsmetrikker til at evaluere modellens mulighed for at forudsige et resultat og bestemme, om det er klar til aktivering. Træningsmetrikker giver oplysninger om, hvor effektivt modellen forstår mønstre og relationer i træningsdataene og angiver dens forudsigende effektivitet.
Hvis du vil evaluere modelkvalitet, er det nyttigt at gennemse nøglekoncepter.
- Resultatvariablen er målet for modellen. Det er den ønskede forudsigelse eller det ønskede resultat.
- Variabler er de inputdata, som modellen analyserer for at foretage sine forudsigelser.
- Uddannelse er den proces, som modellen bruger til at lære mønstre og relationer, der kan bruges til at oprette forudsigelser på nye, usete data.
Accuracy (Nøjagtighed)
For at måle nøjagtigheden bruger Einstein r-kvadreret til regressioner og område under kurven (AUC) til binære klassificeringer. Baseret på standardtærskler for ydeevne fortæller Einstein dig, om den generelle nøjagtighed af din model er effektiv, for lav eller for høj.
- Ydeevne betyder, at modellen generelt er nøjagtig.
- For lav betyder, at modellen ikke er meget bedre end tilfældigt gætteri.
- For højt betyder, at modellen er perfekt eller næsten perfekt, hvilket angiver potentiel datalækage eller overfitting.
Topprædiktorer
Topprædiktorerne er de input eller variabler, der har den største indflydelse på forudsigelsen af resultatet.
Variabelfordeling
Fordelingen af faktiske eller observerede værdier i dataene for resultatvariablen.
- Regressionsmetrikker
Metrikker for regressioner hjælper med at evaluere ydeevnen af en model, der forudsiger numeriske værdier for kontinuerlige data. - Binær klassificering
Metrikker for binær klassificering hjælper med at evaluere ydeevnen af en model, der kategoriserer data i to klasser.
