Оценка качества моделей машинного обучения: выбор, интерпретация и применение метрик [Алексей Михнин]

Оценка качества моделей машинного обучения: выбор, интерпретация и применение метрик
Алексей Михнин




В данной книге рассматриваются метрики качества моделей машинного обучения, обеспечивая понимание их выбора, интерпретации и применения.

Описываются различные метрики, их особенности и применение в задачах машинного обучения.

Книга содержит практические примеры использования метрик для наглядности.

Она будет полезна специалистам в области машинного обучения, бизнес-аналитикам и новичкам, желающим освоить оценку качества моделей и принимать обоснованные решения на основе анализа результатов моделирования.

Термины и определения
Введение в метрики качества модели
Что такое метрики качества модели?
Зачем нужны метрики качества модели?
Как выбрать подходящую метрику качества модели?
Метрики качества модели для задач классификации
Метрика Accuracy (Точность)
Метрика Precision (Точность)
Метрика Recall (Полнота)
Метрика F1-score (F-мера)
Метрика ROC AUC
Метрика Log Loss
Метрика Confusion Matrix (Матрица ошибок)
Метрики качества модели для задач регрессии
Метрика Mean Squared Error (MSE)
Метрика Root Mean Squared Error (RMSE)
Метрика Mean Absolute Error (MAE)
Метрика R-squared (Коэффициент детерминации)
Метрики качества модели для задач кластеризации
Метрика Silhouette Coefficient
Метрика Индекс Калинского-Харабаса (Calinski-Harabasz Index)
Метрика Индекс Дэвиса-Боулдина (Davies-Bouldin Index, DBI)
Метрики качества модели для задач обнаружения аномалий
Метрика Precision@k
Метрика Recall@k
Метрика F1-score@k
Метрики качества модели для задач обнаружения объектов
Метрика Mean Average Precision (mAP)
Метрика Intersection over Union (IoU)
Интерпретация метрик качества модели

Формат: EPUB, FB2, PDF + еще 7
Цена 990 руб.
Скрытая ссылка