Στην εποπτευόμενη μάθηση, μετρήσεις όπως η ακρίβεια, η ακρίβεια και η ανάκληση χρησιμοποιούνται συνήθως για τη μέτρηση του πόσο καλά ένα μοντέλο προβλέπει αποτελέσματα.

Ακρίβεια

Η ακρίβεια μετράει το ποσοστό των σωστών προβλέψεων από όλες τις προβλέψεις που έγιναν. Υπολογίζεται με διαίρεση του αριθμού των σωστών προβλέψεων με το συνολικό αριθμό των προβλέψεων.

Ενώ η ακρίβεια είναι χρήσιμη, μπορεί να είναι παραπλανητική σε ανισορροπημένες σύνολα δεδομένων όπου κυριαρχεί μια τάξη. Σε τέτοιες περιπτώσεις, άλλες μετρήσεις παρέχουν καλύτερη εικόνα για την απόδοση του μοντέλου.

Ακρίβεια και Ανάκληση

Η ακρίβεια δείχνει το ποσοστό των αληθινών θετικών προβλέψεων μεταξύ όλων των θετικών προβλέψεων που γίνονται από το μοντέλο.

Ανακαλείται, επίσης γνωστό ως ευαισθησία, μετρά το ποσοστό των πραγματικών θετικών που προσδιορίζονται σωστά από το μοντέλο.

Υπολογίζοντας τα Μετρικά

Αυτές οι μετρήσεις προέρχονται από τη μήτρα σύγχυσης, η οποία συνοψίζει τα πραγματικά θετικά (TP), τα ψευδώς θετικά (FP), τα αληθινά αρνητικά (TN), και τα ψευδώς αρνητικά (FN).

Τύποι:

  • Ακρίβεια: (TP + TN) / (TP + FP + TN + FN)
  • Ακριβής περιγραφή: TP / (TP + FP)
  • Ανακλήστε: TP / (TP + FN)