دقت، یادآوری و نمره F1 معیارهای مهمی هستند که برای ارزیابی عملکرد مدل های طبقه بندی استفاده می شود. درک چگونگی محاسبه و تفسیر این معیارها به ارزیابی اثربخشی مدل های یادگیری ماشین در برنامه های مختلف کمک می کند.

محاسبه دقیق 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.

فرمول دقیق این است:

تصمیم گیری = مثبت واقعی / ( مثبت واقعی + مثبت کاذب)

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.

فرمول یادآوری این است:

Recall = مثبت واقعی / (True مثبت + False Negatives)

نمره F1 را محاسبه کنید

نمره F1، معنای هارمونیک دقت و یادآوری است.این یک اندازه متعادل است که هر دو معیار را در نظر می گیرد، به ویژه هنگامی که توزیع کلاس ناهموار است.

فرمول نمره F1 این است:

[[ویرایش] [۱] [۱۰] [۱۰] [۱] [۱۰] [۱] [۱۰] [۱] [۱] [۱] [۱] [۱۰] [۱] [۲] [۱] [۱۰] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۲] [۱] [۱] [۱] [۲] [۱] [۱] [۲] [۲] [۲] [۱] [۱] [۱] [۱] [۲] [۱] [۱] [۱] [۲] [۲] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۲] [۲] [۲] [۲] [۲] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۱] [۱]

تفسیر معیارهای

دقت بالا نشان می دهد که بیشتر نکات مثبت پیش بینی شده درست هستند، در حالی که یادآوری بالا نشان می دهد که بیشتر مثبت های واقعی شناسایی شده اند. F1 این دو جنبه را با توجه به برنامه متعادل می کند و اولویت بندی یک متریک بر روی دیگران ممکن است ضروری باشد.

به عنوان مثال، در تشخیص پزشکی، یادآوری ممکن است مهم تر باشد تا اطمینان حاصل شود که هیچ گونه موارد مثبت از دست نرفته است.در تشخیص اسپم، دقت می تواند اولویت بندی شود تا مثبت کاذب کاهش یابد.