Tarkkuus, palautuminen ja F1-pisteet ovat tärkeitä mittareita, joita käytetään luokitusmallien suorituskyvyn arvioinnissa. Näiden mittareiden laskenta- ja tulkintatapojen ymmärtäminen auttaa arvioimaan koneoppimismallien tehokkuutta eri sovelluksissa.

Lasketaan tarkkuutta

Tarkkuus mittaa todellisten positiivisten ennusteiden osuuden kaikista mallin tekemistä positiivisista ennusteista. Se osoittaa, kuinka moni ennustetuista positiivisista tapauksista on todella positiivisia.

Tarkkuuden kaava on:

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

Lasketaan palautusta

Muistutettakoon myös herkkyydestä, että mallin asianmukaisesti tunnistamien todellisten positiivisien tapausten osuus mitataan.

Takaisinoton kaava on:

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

Lasketaan F1-pistemäärää

F1-pistemäärä on harmoninen tarkkuuden ja takaisinvedon keskiarvo. Se tarjoaa tasapainoisen mittauksen, joka pitää molempia mittareita, erityisesti silloin, kun luokkajakauma on epätasainen.

F1-pistemäärän kaava on:

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

Metricsin tulkki

Korkea tarkkuus osoittaa, että useimmat ennustetut positiiviset ovat oikein, kun taas korkea muistaa osoittaa, että useimmat todelliset positiiviset on tunnistettu. F1 pisteet tasapainottaa nämä kaksi näkökohtaa. Riippuen sovelluksesta, priorisoimalla yksi metri yli muut voivat olla tarpeen.

Esimerkiksi lääketieteellisessä diagnoosissa, muistin palautuksen voisi olla tärkeämpää varmistaa, että mitään positiivisia tapauksia ei jää väliin. Roskapostin havaitsemisessa tarkkuus voitaisiin priorisoida vähentämään vääriä positiivisia.