Η ακρίβεια, η ανάκληση και η βαθμολογία F1 είναι σημαντικές μετρήσεις που χρησιμοποιούνται για την αξιολόγηση της απόδοσης των μοντέλων ταξινόμησης. Η κατανόηση του τρόπου υπολογισμού και ερμηνείας αυτών των μετρικών βοηθά στην αξιολόγηση της αποτελεσματικότητας των μοντέλων μάθησης μηχανών σε διάφορες εφαρμογές.

Υπολογισμός ακρίβειας

Η ακρίβεια μετράει το ποσοστό των αληθινών θετικών προβλέψεων μεταξύ όλων των θετικών προβλέψεων που έγιναν από το μοντέλο.

Ο τύπος για ακρίβεια είναι:

Ακριβής = Αληθινά Θετικά / (Αληθινά Θετικά + Ψευδώς Θετικά)

Υπολογίζοντας την Ανάκληση

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

Η φόρμουλα για ανάκληση είναι:

Επανακλήση = Αληθινά Θετικά / (Αληθινά Θετικά + Ψευδώς Αρνητικά)

Υπολογισμός της βαθμολογίας F1

Η βαθμολογία F1 είναι ο αρμονικός μέσος της ακρίβειας και της ανάκλησης. Παρέχει ένα ισορροπημένο μέτρο που θεωρεί και τις δύο μετρήσεις, ιδιαίτερα χρήσιμο όταν η κατανομή της τάξης είναι άνιση.

Ο τύπος για το F1 βαθμολογία είναι:

F1 Score = 2 * (Ακριβής * Remember) / (Ακριβής + Remember)[[ΑΦΤ:1]]

Ερμηνεύοντας τους Μετρικούς

Η υψηλή ακρίβεια δείχνει ότι τα περισσότερα προγνωστικά θετικά είναι σωστά, ενώ η υψηλή ανάκληση δείχνει ότι τα περισσότερα πραγματικά θετικά είναι αναγνωρίσιμα. Η βαθμολογία F1 ισορροπεί αυτές τις δύο πτυχές. Ανάλογα με την εφαρμογή, η προτεραιότητα ενός μετρικού πάνω από τα άλλα μπορεί να είναι απαραίτητη.

Για παράδειγμα, στην ιατρική διάγνωση, η ανάκληση μπορεί να είναι πιο σημαντική για να διασφαλιστεί ότι δεν θα παραλείψουν θετικές περιπτώσεις.