T)((1-y), pp. T)) ซึ่งจากผลลัพท์ที่ได้จะเห็นว่าเราจะสามารถวิ่งเข้าสู่ global minimum ได้เลย Boundary ที่ได้
5% นิยามของ Recall คือความน่าจะเป็นที่โมเดลสามารถตรวจจับ spam จากจำนวน spam email ทั้งหมดในข้อมูลของเรา 38 ฉบับ (20 + 18 ผลรวมคอลั่มแรกของ confusion matrix) แทนค่าในสมการ recall = TP / (TP + FN) = 20 / (20 + 18) = 52. 6% F1-Score คือค่าเฉลี่ยแบบ harmonic mean ระหว่าง precision และ recall นักวิจัยสร้าง F1 ขึ้นมาเพื่อเป็น single metric ที่วัดความสามารถของโมเดล (ไม่ต้องเลือกระหว่าง precision, recall เพราะเฉลี่ยให้แล้ว) แทนค่าในสมการ F1 = 2 * ( (0. 625 * 0. 526) / (0. 625 + 0. 526)) = 57. 1% Accuracy ไม่ใช่ metric เดียวที่เราต้องดู F Score มีสูตรทั่วไปที่เราสามารถกำหนดค่า Beta ได้เอง (เช่น F1 คือการกำหนด Beta = 1) ถ้าเราอยากให้น้ำหนักไปทาง precision ให้กำหนดค่า Beta < 1 แต่ถ้าอยากเน้นที่ recall ให้กำหนดค่า Beta > 1. ถ้าเรากำหนด Beta=0 จะได้ค่า precision เพียวๆเลย ( prove สูตรให้ดูด้านล่าง) การใช้ F-Beta Score ช่วยให้เราปรับ metric ได้เหมาะสมตามสถานการณ์ เช่น งานที่เน้น recall ก็ให้ใช้ Beta = 2, 3, 5 เป็นต้น # example beta=0 F0 = (1 + 0) * (precision * recall) / (0 + recall) F0 = precision * recall / recall F0 = precision AUC ย่อมาจาก "Area Under
การเข้าชม: เวลา: 2020 / 11 / 12 14: 46: 57 Mean Square Error คืออะไร?
3 การใช้งาน MAE ¶ In [0]: error = mae ( y, yhat) error 2. 4 เปรียบเทียบ Loss ¶ แทนที่เราจะหาค่าเฉลี่ย เราจะลองเปรียบเทียบ yhat, y ตัวต่อตัว สังเกต กราฟสีม่วง ความชันจะคงที่ และจุดต่ำสุดจะอยู่ที่ y - yhat = 0 คือ โมเดลทำนาย yhat ออกมาเท่ากับ y พอดี ทำให้ MAE Loss = 0 In [0]: fig, ax = plt. numpy (), ( y - yhat). numpy (), label = "MAE", color = 'purple') Out[0]: < at 0x7f67d1948f60> Mean Squared Error (MSE), Quadratic Loss หรือ L2 Loss คือ การคำนวน Error ว่า yhat ต่างจาก y อยู่เท่าไร ด้วยการนำมาลบกัน แล้วยกกำลังสอง (Squared) เพื่อไม่ต้องสนใจค่าติดลบ (ถ้ามี) แล้วหาค่าเฉลี่ย เนื่องจากมีการยกกำลังสอง ทำให้ค่อนข้าง Sensitive ถ้าข้อมูลไม่ดี มีบางตัวที่นอกลู่นอกทาง yhat ตัวไหนที่ผิดจาก y ไปมาก จะถูกให้ความสำคัญมากกว่า yhat ตัวอื่น ๆ จะมีผลทำให้ Loss สูง $$\operatorname{MSE}=\frac{1}{n}\sum_{i=1}^n(Y_i-\hat{Y_i})^2$$ 3. 2 โค้ด MSE Function ¶ In [0]: def mse ( y, yhat): return ( y - yhat). pow ( 2). mean () 3. 3 การใช้งาน MSE ¶ In [0]: error = mse ( y, yhat) 3. 4 เปรียบเทียบ Loss ¶ แทนที่เราจะหาค่าเฉลี่ย เราจะลองเปรียบเทียบ yhat, y ตัวต่อตัว สังเกต กราฟสีม่วง ความชันจะขึ้นเร็วมาก เป็น Exponential เนื่องจาก MSE ยกกำลัง 2 และจุดต่ำสุดจะอยู่ที่ y - yhat = 0 คือ โมเดลทำนาย yhat ออกมาเท่ากับ y พอดี ทำให้ MSE Loss = 0 In [0]: fig, ax = plt.
เพิ่มคำศัพท์ ทราบความหมายของคำศัพท์นี้? กด [เพิ่มคำศัพท์] เพื่อใส่คำนี้พร้อมความหมาย เพื่อเป็นวิทยาทานแก่ผู้ใช้ท่านอื่น ๆ วางเมาส์ที่คำศัพท์เพื่อแสดงป๊อปอัป แสดงคำอ่าน * mean ( M IY1 N) square ( S K W EH1 R) error ( EH1 R ER0) * mean หมายความว่า: แปลว่า, แสดงว่า [Lex2] มีเจตนา: ตั้งใจ, มุ่งหมาย [Lex2] ตั้งใจ: มุ่งหมาย [Lex2] มีความหมายต่อ: มีความสำคัญต่อ [Lex2] ใจร้าย: ใจดำ, โหดร้าย, ใจแคบ, เลวทราม [Lex2] ทรุดโทรม: สกปรก, ซอมซ่อ, ขะมุกขมอม [Lex2] ค่าเฉลี่ย: ตัวกลาง, มัชฌิม [Lex2] (มีน) vt. มุ่งหมาย, มีเจตนา, ตั้งใจ, หมายถึง, ทำให้เกิดขึ้น, นำมาซึ่ง, มีความหมายต่อ, มีความสำคัญต่อ. vi. ตั้งใจ, มุ่งหมาย adj.
50 ไม่ต่างอะไรกับการเดาสุ่มเลย AUC > 0. 70 คือเกณฑ์มาตรฐานสำหรับโมเดลส่วนใหญ่ AUC > 0. 80 โมเดลทำงานได้ดี AUC > 0. 90 โมเดลทำงานได้ดีมาก เวลาทำงาน regression จะใช้ RMSE กับ R2 เป็นหลัก ส่วน classification จะดูค่า accuracy, precision, recall, F1, AUC ในการคำนวนค่าต่างๆนั้น สามารถใช้ library ได้หลากหลายภาษา เช่น R/ Python ได้อย่างง่ายดาย ขอบคุณข้อมูลแหล่งที่มาจาก
ซื้อ eBook - US$12. 16 รับหนังสือเล่มนี้ในฉบับพิมพ์ Van Stockum ค้นหาในห้องสมุด ผู้ขายทั้งหมด » 0 บทวิจารณ์ เขียนบทวิจารณ์ โดย กัญญ์สุดา นิ่มอนุสสรณ์กุล เกี่ยวกับหนังสือเล่มนี้ ข้อกำหนด ของ การให้บริการ จัดพิมพ์โดย สำนักงานบริหารงานวิจัย มหาวิทยาลัยเชียงใหม่.
ซื้อ eBook - US$10. 95 รับหนังสือเล่มนี้ในฉบับพิมพ์ Van Stockum ค้นหาในห้องสมุด ผู้ขายทั้งหมด » 0 บทวิจารณ์ เขียนบทวิจารณ์ โดย พนิดา รัตนปิติกรณ์ เกี่ยวกับหนังสือเล่มนี้ ข้อกำหนด ของ การให้บริการ จัดพิมพ์โดย ศูนย์บริหารงานวิจัย สำนักงานมหาวิทยาลัยเชียงใหม่.