Metrics Accuracy

Dieser Funktionsblock berechnet die Genauigkeit der Vorhersagen, die von einem Machine Learning-Modell gemacht wurden, und ist speziell für Multi-Klassen-Klassifikationsprobleme unter Verwendung kategorischer Metriken konzipiert.

📥 Eingänge

Dieser Funktionsblock akzeptiert keine Eingänge.

📤 Ausgänge

Categorical Accuracy Diese Ausgabe bietet die Genauigkeitsmetrik, die basierend auf den Modellvorhersagen im Vergleich zu den tatsächlichen Labels berechnet wird.

🕹️ Steuerungen

Dieser Block enthält keine anpassbaren Steuerelemente.

🎨 Funktionen

Categorical Accuracy Calculation Berechnet automatisch die Genauigkeit der Modellvorhersagen im Vergleich zu den tatsächlichen Klassifizierungen.

Integration with Keras Dieser Block ist so konzipiert, dass er nahtlos mit Keras integriert werden kann, was das Verfolgen der Leistungsmetriken des Modells während des Trainings oder der Bewertung erleichtert.

📝 Nutzungshinweise

1. Link the Block: Stellen Sie sicher, dass dieser Block mit einem Modell-Ausgang verbunden ist, der bereits Vorhersagen liefert.

2. Run the Evaluation: Führen Sie den Block aus, um die Genauigkeitsmetrik der Modellvorhersagen zu berechnen.

3. Retrieve Results: Greifen Sie auf die Ausgabe zu, um zu bewerten, wie gut das Modell die Eingabedaten klassifiziert.

📊 Bewertung

Bei der Ausführung bietet dieser Funktionsblock die Genauigkeit der Modellvorhersagen, sodass die Benutzer die Effektivität des Modells beurteilen können.

🛠️ Fehlersuche

Genauigkeit ändert sich nicht

Wenn die Genauigkeit unverändert bleibt, stellen Sie sicher, dass Sie die richtigen Vorhersagen und echten Labels zur Bewertung eingeben. Überprüfen des Trainingsprozesses des Modells kann auch helfen, die Ursache zu identifizieren.

Es werden keine Ausgaben generiert

Wenn Sie feststellen, dass keine Ausgaben vorhanden sind, stellen Sie sicher, dass das angeschlossene Modell ordnungsgemäß konfiguriert ist und Vorhersagen trifft, bevor dieser Block bewertet wird.