ACCURACY | МЕТРИКИ КЛАССИФИКАЦИИ В МАШИННОМ ОБУЧЕНИИ

Поддержать канал можно оформив подписку на 🎉 🎉 🎉 А можете скидывать монеты на 💻 Мои курсы на платформе Stepik: Метрики качества позволяют оценивать способность моделей машинного обучения восстанавливать закономерности из данных. В этом видео рассмотрим, какие есть метрики для задачи классификации - задача машинного обучения, где предсказывается номинативная величина. Метрики помогают понять, когда модель начинает переобучаться, про это явление можете посмотреть в видео () Остальные метрики классификации: 1. Accuracy - 2. Precision. Recall. Confusion Matrix - 3. F-score - 4. Micro, Macro, Weighted - Ноутбук из видео: 0:00 Задача классификации 0:33 Получение данных 1:06 Обучение модели 1:17 Предсказание и оценка качества 1:47 Доля правильных ответов 2:29 Визуализация ошибок 3:11 Проблема метрики Accuracy. Дисбаланс классов 3:24 Задача с дисбалансом классов. Fraud Detection 4:25 Константная модель 4:44 Очень высокая метрика Accuracy 5:10 Визуализация ошибок константной модели 5:30 Проблема метрики Accuracy. Разные цены ошибок 5:38 Задача кредитного скоринга. Credit Default 6:10 Сравнение двух моделей 7:40 Одинаковая метрика Accuracy 8:04 Ошибки первой модели. Выдача кредита плохим людям 8:23 Ошибки второй модели. Невыдача кредита хорошим людям 8:50 Резюме