مهمترین وظیفه در ساختن هر مدل یادگیری ماشین ارزیابی عملکرد آن است. بنابراین ، این سوال مطرح می شود که چگونه می توان موفقیت مدل یادگیری ماشین را اندازه گیری کرد؟ چطوربدانیم که چه موقع آموزش و ارزیابی را متوقف کنیم و چه زمانی آن را خوب بنامیم؟ با کمک این مقاله، سعی می کنم به این سوالات پاسخ دهم. این مقاله به شرح زیر سازماندهی شده است: در بخش اول، با معرفی منظور ما از “ارزیابی مدل ML” و اینکه چرا ارزیابی هر مدل یادگیری ماشین ضروری است شروع می کنیم. در بخشهای بعدی، ما معیارهای مختلف ارزیابی را مورد بحث قرار می دهیم. مقدمه معیارهای ارزیابی با وظایف یادگیری ماشین گره خورده است. معیارهای متفاوتی برای مسائل طبقه بندی و رگرسیون وجود دارد. برخی معیارها، مانند فراخوانی دقیق، برای کارهای متعدد مفید هستند. طبقه بندی و رگرسیون، نمونه هایی از یادگیری تحت نظارت هستند که اکثر برنامه های یادگیری ماشین را تشکیل می دهند. با استفاده از معیارهای مختلف برای ارزیابی عملکرد ، ما باید بتوانیم قدرت پیش بینی کلی مدل خود را قبل از ارائه آن برای تولید بر روی داده های دیده نشده، بهبود بخشیم. بدون ارزیابی مناسب مدل یادگیری ماشین با استفاده از معیارهای مختلف ارزیابی، هنگامی که مدل مربوطه بر روی داده های دیده نشده، مستقر می شود، ممکن است به پیش بینی های ضعیف ختم شود که این مورد می تواند منجر به مشکل شود. در بخش بعدی ، معیارهای ارزیابی طبقه بندی را که می تواند در تعمیم مدل طبقه بندی ML کمک کند ، مورد بحث قرار خواهم داد.
