در مشکلات طبقه بندی تحت نظارت، ارزیابی عملکرد یک مدل ضروری است. متریک مانند دقت، یادآوری و نمره F1 بینش هایی در مورد چگونگی پیش بینی کلاس های مختلف ارائه می دهد. درک چگونگی محاسبه این معیارها در انتخاب و تنظیم مدل ها به طور موثر کمک می کند.

دقت دقیق

دقت نسبت پیش بینی های مثبت را که درست هستند اندازه گیری می کند، به عنوان تعداد مثبت های واقعی تقسیم شده توسط مجموع مثبت واقعی و مثبت کاذب محاسبه می شود.

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 مثبت های واقعی را که به درستی شناسایی شده اند اندازه گیری می کند.این به عنوان تعداد مثبت های واقعی تقسیم شده توسط مجموع مثبت های واقعی و منفی کاذب محاسبه می شود.

فرمول یادآوری این است:

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

F1 امتیاز

نمره F1 با محاسبه ی معانی هارمونیک آن ها دقت و یادآوری را در یک متریک واحد ترکیب می کند، به ویژه هنگامی که توزیع کلاس نامشروط 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] [۱۰] [۱] [۱] [۱] [۱] [۱] [۲] [۱] [۱] [۱] [۱] [۱] [۲] [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] [۱] [۱] [۱]

خلاصه خلاصه خلاصه خلاصه خلاصه خلاصه خلاصه خلاصه خلاصه خلاصه خلاصه خلاصه خلاصه خلاصه خلاصه

  • دقت نشان دهنده دقت پیش بینی های مثبت است.
  • یادآوری توانایی شناسایی همه موارد مثبت را اندازه گیری می کند.
  • نمره F1 دقت را متعادل می کند و به یک متریک واحد یادآوری می کند.