دقت، یادآوری و F1score معیارهای مهمی هستند که برای ارزیابی عملکرد مدل های طبقه بندی NLP استفاده می شود.آنها به درک اینکه چگونه یک مدل پیش بینی کلاس های مختلف، به ویژه در مجموعه داده های عدم تعادل کمک می کند.

درک دقیق

دقت نسبت پیش بینی های مثبت واقعی در میان تمام پیش بینی های مثبت که توسط مدل انجام شده است را اندازه گیری می کند، نشان می دهد که چه تعداد از موارد مثبت پیش بینی شده در واقع مثبت هستند.

درک یادآوری

به یاد داشته باشید که همچنین به عنوان حساسیت شناخته می شود، نسبت موارد مثبت واقعی را که به درستی توسط مدل شناسایی می شوند، اندازه گیری می کند.این نشان دهنده توانایی مدل برای تشخیص موارد مثبت است.

محاسبه F1Score

F1score ابزار هارمونیک دقت و یادآوری است.این یک متریک واحد را فراهم می کند که هر دو را متعادل می کند، به ویژه هنگامی که توزیع کلاس ناهموار است.

مثالی از Calculation

فرض کنید یک مدل 80 مورد مثبت را پیش بینی می کند که 60 مورد صحیح هستند.در مجموع موارد مثبت واقعی 70 هستند.

  • [[ویرایش] [۱] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰]] [۱۰] [۱۰] [۱۰] [۱۰] [۱]] [۱۰] [۱] [۱۰] [۱]] [۱۰]
  • [[ویرایش] [[[۱]] [۱۰] [۱۰] [۱۰]] [۱۰]] [۱۰] [۱۰]] [۱۰] [۱۰]] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۹] [۱۰] [۸] [۸] [۸] [۸] [۸] [۸] [۸] [۸] [۵] [۱۰] [۵] [۸] [۸] [۸] [۱۰] [۱۰] [۱۰] [۵] [۸] [۸] [۱۰] [۸] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۸] [۱۰] [۱۰] [۱۰
  • ] F1Score: [ 2 * (0.75 ] 0.857) / (0.75 + 0.857) , {\displaystyle 0.80}