"ONNX modellerinin regresyon metrikleri kullanılarak değerlendirilmesi" makalesi için tartışma

Yeni yorum
 

Yeni makaleye göz atın: ONNX modellerinin regresyon metrikleri kullanılarak değerlendirilmesi.

Regresyon, etiketlenmemiş bir örnekten gerçek değeri tahmin etme görevidir. Regresyon metrikleri, regresyon modeli tahminlerinin doğruluğunu değerlendirmek için kullanılır.

Regresyon, etiketlenmemiş bir örnekten gerçek değeri tahmin etme görevidir. Regresyonun iyi bilinen bir örneği, büyüklük, ağırlık, renk, berraklık gibi özelliklere dayalı olarak bir elmasın değerinin tahmin edilmesidir.

Regresyon metrikleri, regresyon modeli tahminlerinin doğruluğunu değerlendirmek için kullanılır. Benzer algoritmalara rağmen, regresyon metrikleri anlamsal olarak benzer kayıp fonksiyonlarından farklıdır. Aralarındaki farkı anlamak önemlidir. Aşağıdaki şekilde formüle edilebilir:

  • Kayıp fonksiyonu, bir model oluşturma problemini bir optimizasyon problemine indirgediğimiz anda ortaya çıkar. Genellikle iyi özelliklere sahip olması istenir (örn. türevlenebilirlik).

  • Bir metrik, genellikle model parametrelerine değil, yalnızca tahmin edilen değerlere bağlı olan harici bir objektif kalite kriteridir.



MQL5 dili aşağıdaki metriklere sahiptir:

  • Hataların mutlak değerlerinin ortalaması (Mean Absolute Error, MAE)
  • Hataların karelerinin ortalaması (Mean Squared Error, MSE)
  • Hataların karelerinin ortalamasının karekökü (Root Mean Squared Error, RMSE)
  • R-kare (R-squared, R2)
  • Yüzde olarak MAE (Mean Absolute Percentage Error, MAPE)
  • Yüzde olarak MSE (Mean Squared Percentage Error, MSPE)
  • Logaritmik ölçekte hesaplanan RMSE (Root Mean Squared Logarithmic Error, RMSLE)

Yazar: MetaQuotes

Yeni yorum
Neden: