ويعد الدقة والتذكر والسجلات من الفئة واو-1 مقاييس هامة تستخدم لتقييم أداء نماذج التصنيف، ويساعد فهم كيفية حساب هذه القياسات وتفسيرها في تقييم فعالية نماذج التعلم الآلات في مختلف التطبيقات.

حساب الدقة

ويقيِّم الدقة نسبة التنبؤات الإيجابية الحقيقية بين جميع التنبؤات الإيجابية التي يبديها النموذج، ويشير إلى عدد الحالات الإيجابية المتوقعة التي هي بالفعل إيجابية.

والصيغة التي تُصاغ للدقة هي:

Precision = True Positives / (True Positives + False Positives)]

حساب Recall

(ريكال) ، المعروف أيضاً بحساسية ، يُقيّم نسبة الحالات الإيجابية الفعلية التي تم تحديدها بشكل صحيح من قبل النموذج ، إنها تعكس قدرة النموذج على كشف الحالات الإيجابية

والصيغة التي يستدل عليها التذكير هي:

Recall = True Positives / (True Positives + False Negatives)]

حساب F1

وسجل التدفق الافتراضي هو النسق التناسقي للدقة والتذكر، وهو يوفر تدبيرا متوازنا يعتبر القياسين، وهما مفيدان بوجه خاص عندما يكون توزيع الصف متفاوتا.

والصيغة الخاصة بمؤشر F1 هي:

F1 Score = 2 * (Precision * Recall) / (Precision + Recall)]

ترجمة:

ويشير الدقّة العالية إلى أن معظم الإيجابات المتوقعة صحيحة، في حين أن التذكرة العالية تبين أن معظم الإيجابية الفعلية قد حُددت، وتوازن هذه الجوانب بين النتائج من الفئة واو-1، وقد يكون من الضروري، تبعاً للطلب، تحديد ترتيب الأولويات على قياس واحد على الجوانب الأخرى.

فعلى سبيل المثال، قد يكون التذكير في التشخيص الطبي أكثر أهمية لضمان عدم تفويت أي حالات إيجابية، وفي الكشف عن البصمات، يمكن إعطاء الأولوية للدقة للحد من الإيجابات الكاذبة.