Precision, זיכרון ו- F1 הם מדדים חשובים המשמשים כדי להעריך את הביצועים של מודלים סיווג.הבנת כיצד לחשב ולפרש מדדים אלה מסייע להעריך את יעילותם של מודלים למידת מכונה ביישומים שונים.

חישוב Precision

עדיפות היא שיעור התחזיות החיוביות האמיתיות בין כל התחזיות החיוביות שנעשו על ידי המודל.זה מצביע על כמה מקרים חיוביים צפויים הם למעשה חיוביים.

הנוסחה לדיוק היא:

(ב) ⁇ (ב"ה) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

עקבו אחרי Recall

Recall, הידוע גם כרגישות, מודד את שיעור המקרים החיוביים האמיתיים שזוהו כראוי על ידי המודל.זה משקף את יכולת המודל לזהות מקרים חיוביים.

הנוסחה לזיכרון היא:

(ב) [ה]הסברה: [ה]]: [הדברים] הם [הדברים] [הדברים]]

עקבו אחרי F1 Score

הציון F1 הוא המשמעות ההרמונית של דיוק וזיכרון.זה מספק מדד מאוזן המשקף את שני המדדים, במיוחד שימושי כאשר חלוקת המעמדות היא לא אחידה.

הנוסחה עבור ציון F1 היא:

(ב) ויקרא (ב"ב) ויקרא (ב"ב)

עקבו אחרי The Metrics

דיוק גבוה מצביע על כך שחיובים חזועים נכונים, בעוד שזיכרון גבוה מראה כי רוב החיובים האמיתיים מזוהים.ציון F1 מאזן את שני ההיבטים האלה.בהתאם ליישום, עדיפות למדד אחד על האחרים עשוי להיות הכרחי.

לדוגמה, באבחון רפואי, ייתכן שזכרון חשוב יותר להבטיח כי לא חסרים מקרים חיוביים.בגילוי ספאם, דיוק יכול להיות מתוכנן מראש כדי להפחית את החיובים המזויפים.