【G検定合格対策】AIモデル精度検証方法のポイントを解説！

　「人工知能（AI：Artificial intelligence）」は既に様々な商品・サービスに組み込まれて利活用が始まっている注目の技術ですが、興味があっても難しそうで何から学んだらよいか分からず、勉強のやる気を失うケースは非常に多いです。

　私は過去に基本情報技術者試験（旧：第二種情報処理技術者試験）に合格し、また2年程前に「一般社団法人 日本ディープラーニング協会」が主催の「G検定試験」に合格しました。人工知能の勉強を始めた頃は多くの考え方や専門用語に圧倒され、1回目のG検定に不合格となり理解するのに苦労した苦い経験があります。

　そこでこの記事では、学習済みAIモデルの精度検証方法についてポイントを解説します。

　この記事を参考にして学習済みAIモデルの精度検証方法を理解できれば、G検定に合格できるはずです。

<<学習済みAIモデルの精度検証方法についてポイントを今すぐ見たい方はこちら

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　

1.学習済みAIモデルの精度検証方法

学習済みAIモデルの精度検証するために次の評価指標を用いる。

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　

2.回帰問題に使用する評価指標

回帰問題に使用する評価指標は、以下の指標が用いられる。

• MAE（Mean Absolute Error：平均絶対誤差）← 損失関数で使用
• RMSE（Root Mean Squared Error：二乗平均平方根誤差）
• RMSLE（Root Mean Squared Logarithmic error：二乗平均平方根対数誤差）

例： 　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　 mean_absolute_error(Y_true, Y_pred) #MAE（Mean Absolute Error：平均絶対誤差）　　　　　　　　　np.sqrt(mean_squared_error(Y_true, Y_pred))　#RMSE（Root Mean Squared Error：二乗平均平方根誤差） 　 ※1　scikit-learnライブラリを使用　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　※2　Y_true :正解クラス　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　※3　Y_pred :予測したクラス 　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　

3.分類問題に使用する評価指標

分類問題で使用する評価指標には混同行列が使用される。

• True Positive：Positiveと予測して正しかった場合（真陽性）
• False Positive：Positiveと予測して間違った場合（偽陽性）
• True Negative：Negaitiveと予測して正しかった場合（真偽性）
• False Negative：Negaitiveと予測して間違った場合（偽陰性）

例：　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　confusion_matrix(Y_test, Y_pred) # TP(真陽性)、FP(偽陽性)、TN(真陰性)、FN(偽陰性)のカ　　　　　　ウントした値を行列にする　 accuracy_score( Y_test, Y_pred ) #正解率 precision_score( Y_test, Y_pred ) #適合率 recall_score( Y_test, Y_pred ) #再現率 f1_score( Y_test, Y_pred ) 　　　 #F値

※1　 Y_true :正解クラス　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　※2　 Y_pred :予測したクラス

4.まとめ

最後まで読んで頂きありがとうございます。
皆様のキャリアアップを応援しています!!