Στα προβλήματα της επιβλεπόμενης ταξινόμησης, η αξιολόγηση της απόδοσης ενός μοντέλου είναι απαραίτητη. Μετρικοί όπως η ακρίβεια, η ανάκληση και η βαθμολογία F1 παρέχουν πληροφορίες για το πόσο καλά το μοντέλο προβλέπει διαφορετικές κατηγορίες.

Ακρίβεια

Η ακρίβεια μετράει το ποσοστό των θετικών προβλέψεων που είναι σωστές. Υπολογίζεται ως ο αριθμός των αληθινών θετικών διαιρούμενο με το άθροισμα των αληθινών θετικών και ψευδών θετικών.

Ο τύπος για ακρίβεια είναι:

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

Υπόμνηση

Ανακαλείται, επίσης γνωστό ως ευαισθησία, μετρά το ποσοστό των πραγματικών θετικών που προσδιορίζονται σωστά. Υπολογίζεται ως ο αριθμός των αληθινών θετικών διαιρούμενο με το άθροισμα των αληθινών θετικών και ψευδών αρνητικών.

Η φόρμουλα για ανάκληση είναι:

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

F1 Βαθμολογία

Η βαθμολογία F1 συνδυάζει την ακρίβεια και την ανάκληση σε ένα ενιαίο μετρικό υπολογίζοντας τον αρμονικό τους μέσο όρο. Παρέχει ένα ισορροπημένο μέτρο, ειδικά όταν η κατανομή της τάξης είναι άνιση.

Ο τύπος για το F1 βαθμολογία είναι:

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

Περίληψη

  • Η ακρίβεια δείχνει την ακρίβεια των θετικών προβλέψεων.
  • Ανακαλείστε τη δυνατότητα αναγνώρισης όλων των θετικών περιπτώσεων.
  • Η βαθμολογία F1 ισορροπεί την ακρίβεια και την ανάκληση σε ένα ενιαίο μετρικό.