Valvotuissa luokitusongelmissa mallin suorituskyvyn arviointi on olennaista. Metrics, kuten tarkkuus, palautukset ja F1-pisteet antavat oivalluksia siitä, miten hyvin malli ennustaa eri luokkia. Näiden mittareiden laskeminen auttaa tehokkaasti malleja valittaessa ja virittäessä.

Tarkkuus

Tarkkuus mittaa oikeiden positiivisten ennusteiden osuuden. Se lasketaan todellisten positiivisten arvojen lukumäärä jaettuna todellisten positiivisten ja väärien positiivisten arvojen summalla.

Tarkkuuden kaava on:

Tarkoitus = Todelliset Positiiviset / (True Positives + Väärä Positiiviset)

Palautus

Muistiin, joka tunnetaan myös herkkyydenä, mitataan niiden todellisten positiivisten tulosten osuutta, jotka on tunnistettu oikein. Se lasketaan todellisten positiivisten arvojen lukumäärä jaettuna todellisten positiivisten ja väärien negatiivisten arvojen summalla.

Takaisinoton kaava on:

Perustus = Todelliset Positiiviset / (True Positives + Väärä Negatives) []

F1 Pisteet

F1-pisteissä yhdistyvät tarkkuus ja takaisinkutsu yhdeksi metriksi laskemalla niiden harmoninen keskiarvo. Se tarjoaa tasapainoisen mittauksen, varsinkin kun luokkajakauma on epätasainen.

F1-pistemäärän kaava on:

F1 Pistemäärä = 2 * (Tarkoitus * Palautus) / (Tarkka + palautus)[

Yhteenveto

  • Tarkkuus osoittaa positiivisten ennusteiden tarkkuuden.
  • Palautus mittaa kykyä tunnistaa kaikki positiiviset tapaukset.
  • F1-pistemäärä tasapainottaa tarkkuuden ja palautuksen yhdeksi metriksi.