Precisione, richiamo e punteggio F1 sono metriche importanti utilizzate per valutare le prestazioni dei modelli di classificazione. Capire come calcolare e interpretare queste metriche aiuta a valutare l'efficacia dei modelli di machine learning in varie applicazioni.

Calcolo della precisione

La precisione misura la proporzione di vere previsioni positive tra tutte le previsioni positive fatte dal modello, indica quanti dei casi positivi predetti sono effettivamente positivi.

La formula per la precisione è:

Precisione = Vero Positivi / (True Positives + False Positives)[

Calcola la Richiamo

Richiamo, anche nota come sensibilità, misura la proporzione di casi positivi effettivi che sono correttamente identificati dal modello, riflettendo la capacità del modello di rilevare istanze positive.

La formula per il richiamo è:

Richiesta = veri positivi / (positivi di tiro + falsi negativi)[

Calcolo del punteggio F1

Il punteggio F1 è il mezzo armonico di precisione e richiamo, che fornisce una misura bilanciata che considera entrambe le metriche, particolarmente utile quando la distribuzione della classe è irregolare.

La formula per il punteggio F1 è:

F1 Punteggio = 2 * (Precisione * Richiamo) / (Precisione + Richiamo)

Interpretare i Metrici

L'elevata precisione indica che la maggior parte dei positivi predetti sono corretti, mentre l'elevato richiamo mostra che la maggior parte dei positivi effettivi sono identificati. Il punteggio F1 bilancia questi due aspetti. A seconda dell'applicazione, la priorità di una metrica rispetto agli altri può essere necessaria.

Ad esempio, nella diagnosi medica, il richiamo potrebbe essere più importante per non essere mancati casi positivi. Nel rilevamento dello spam, la precisione potrebbe essere prioritaria per ridurre i falsi positivi.