> For the complete documentation index, see [llms.txt](https://bemind.gitbook.io/neural/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://bemind.gitbook.io/neural/instrumenty-ocenki/instrumenty-ocenki-kachestva-obucheniya-klassificiruyushei-neironnoi-seti.md).

# Инструменты оценки качества обучения классифицирующей нейронной сети

Существует несколько распространенных метрик для оценки качества обучения классифицирующей нейронной сети:

1. [Точность (Accuracy) ](/neural/instrumenty-ocenki/instrumenty-ocenki-kachestva-obucheniya-klassificiruyushei-neironnoi-seti/tochnost-accuracy.md)- доля правильно классифицированных примеров.
2. [Матрица ошибок (Confusion Matrix) ](/neural/instrumenty-ocenki/instrumenty-ocenki-kachestva-obucheniya-klassificiruyushei-neironnoi-seti/matrica-oshibok-confusion-matrix.md)- показывает, какие классы были спутаны друг с другом. Из нее можно вычислить метрики precision, recall и F1-score.
3. [Кривая ROC (Receiver Operating Characteristic)](/neural/instrumenty-ocenki/instrumenty-ocenki-kachestva-obucheniya-klassificiruyushei-neironnoi-seti/krivaya-roc-receiver-operating-characteristic.md) и площадь под ней (AUC-ROC) - измеряют способность модели ранжировать классы правильно.
4. [Кросс-энтропийная функция потерь (Cross-Entropy Loss)](/neural/instrumenty-ocenki/instrumenty-ocenki-kachestva-obucheniya-klassificiruyushei-neironnoi-seti/kross-entropiinaya-funkciya-poter-cross-entropy-loss.md) - мера расхождения между предсказанным распределением и истинными метками.
5. [Precision, Recall, F1-score](/neural/instrumenty-ocenki/instrumenty-ocenki-kachestva-obucheniya-klassificiruyushei-neironnoi-seti/precision-recall-f1-score.md) - обобщенные метрики, учитывающие истинно-положительные, ложно-положительные и ложно-отрицательные предсказания.

Способы контроля обучения:

1. [Разделение данных ](/neural/instrumenty-ocenki/instrumenty-ocenki-kachestva-obucheniya-klassificiruyushei-neironnoi-seti/razdelenie-dannykh-na-trenirovochnyi-validacionnyi-i-testovyi-nabory.md)на тренировочный, валидационный и тестовый наборы.
2. [Мониторинг метрик](/neural/instrumenty-ocenki/instrumenty-ocenki-kachestva-obucheniya-klassificiruyushei-neironnoi-seti/monitoring-metrik-na-validacionnom-nabore-vo-vremya-obucheniya-dlya-predotvrasheniya-pereobucheniya.md) на валидационном наборе во время обучения для предотвращения переобучения.
3. Регуляризация (L1, L2, Dropout и др.) для снижения переобучения.
4. Анализ ошибок на тестовом наборе после обучения для выявления систематических ошибок.
5. Визуализация активаций, фильтров и внутренних представлений для понимания обучения.
6. Вычисление градиентов по отношению к входам для поиска примеров, критических для модели.

Выбор метрик и стратегии контроля зависит от специфики задачи, набора данных и требований к модели.