Η ακρίβεια, η ανάκληση και η F1-score είναι σημαντικές μετρήσεις που χρησιμοποιούνται για την αξιολόγηση της απόδοσης των μοντέλων ταξινόμησης NLP. Βοηθούν στην κατανόηση του πόσο καλά ένα μοντέλο προβλέπει διαφορετικές κατηγορίες, ειδικά σε ανισορροπημένα σύνολα δεδομένων.

Κατανόηση ακριβείας

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

Κατανόηση Ανάκλησης

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

Υπολογισμός του F1-Score

Το F1-score είναι ο αρμονικός μέσος της ακρίβειας και της ανάκλησης. Παρέχει ένα ενιαίο μετρικό που ισορροπεί και τα δύο, ιδιαίτερα χρήσιμο όταν η κατανομή της τάξης είναι άνιση.

Παράδειγμα υπολογισμού

Ας υποθέσουμε ότι ένα μοντέλο προβλέπει 80 θετικές περιπτώσεις, εκ των οποίων 60 είναι σωστές. Οι συνολικές πραγματικές θετικές περιπτώσεις είναι 70. Οι υπολογισμοί είναι οι εξής:

  • Ακριβής περιγραφή: 60 / 80 = 0,75
  • Επανακλήση: 60 / 70 ⁇ 0.857
  • F1-Score: 2 * (0,75 * 0,857) / (0,75 + 0,857) ⁇ 0,80