प्रेसिजन, याद और F1 स्कोर महत्वपूर्ण मीट्रिक हैं जो वर्गीकरण मॉडल के प्रदर्शन का मूल्यांकन करने के लिए उपयोग किए जाते हैं। इन मीट्रिकों की गणना और व्याख्या करने के तरीके को समझना विभिन्न अनुप्रयोगों में मशीन लर्निंग मॉडल की प्रभावशीलता का आकलन करने में मदद करता है।

सटीक गणना

प्रेसिजन मॉडल द्वारा किए गए सभी सकारात्मक भविष्यवाणियों के बीच वास्तविक सकारात्मक भविष्यवाणियों के अनुपात को मापता है। यह इंगित करता है कि पूर्वानुमानित सकारात्मक मामलों में से कितने वास्तव में सकारात्मक हैं।

परिशुद्धता के लिए सूत्र है:

प्रेसिजन = True सकारात्मक / (ट्रू पॉजिटिव + झूठी सकारात्मक)

गणना करना

Recall, जिसे संवेदनशीलता भी कहा जाता है, वास्तविक सकारात्मक मामलों के अनुपात को मापता है जो मॉडल द्वारा सही ढंग से पहचाने जाते हैं। यह सकारात्मक उदाहरणों का पता लगाने की मॉडल की क्षमता को दर्शाता है।

याद रखने का सूत्र है:

Recall = True सकारात्मक / (True सकारात्मक + झूठी नकारात्मक)

F1 स्कोर की गणना

F1 स्कोर सटीक और याद का हार्मोनिक मतलब है। यह एक संतुलित माप प्रदान करता है जो मीट्रिक दोनों पर विचार करता है, खासकर जब वर्ग वितरण असमान होता है।

F1 स्कोर के लिए सूत्र है:

F1 स्कोर = 2 * (प्रेसिजन * Recall) / (प्रेसिजन + Recall)

मेट्रिक्स को व्याख्या करना

उच्च परिशुद्धता इंगित करता है कि अधिकांश पूर्वानुमानित सकारात्मक सही हैं, जबकि उच्च याद दर्शाता है कि अधिकांश वास्तविक सकारात्मक पहचाने जाते हैं। F1 स्कोर इन दो पहलुओं को संतुलित करता है। आवेदन के आधार पर, दूसरों पर एक मीट्रिक को प्राथमिकता देना आवश्यक हो सकता है।

उदाहरण के लिए, चिकित्सा निदान में, यह सुनिश्चित करने के लिए कि कोई सकारात्मक मामले याद नहीं किए जाते हैं, याद करना अधिक महत्वपूर्ण हो सकता है। स्पैम डिटेक्शन में, गलत सकारात्मकता को कम करने के लिए सटीक को प्राथमिकता दी जा सकती है।