Valutazione delle prestazioni del modello: Calcolo dell'accuratezza, della precisione e del richiamo nell'apprendimento supervisionato

Valutare le prestazioni dei modelli di machine learning è essenziale per capire la loro efficacia. Nell'apprendimento supervisionato, metriche come precisione, precisione e richiamo sono comunemente utilizzati per misurare quanto un modello preveda i risultati.

Accuratezza

L'accuratezza misura la proporzione di previsioni corrette su tutte le previsioni fatte, e viene calcolata dividendo il numero di previsioni corrette per il numero totale di previsioni.

Mentre l'accuratezza è utile, può essere fuorviante in datasets squilibrio dove domina una classe. In tali casi, altre metriche forniscono migliori insight sulle prestazioni del modello.

Precisione e Richiamo

La precisione indica la proporzione di vere previsioni positive tra tutte le previsioni positive fatte dal modello, riflettendo la capacità del modello di evitare falsi positivi.

Richiamo, anche nota come sensibilità, misura la proporzione di positivi effettivi correttamente identificati dal modello, e mostra quanto bene il modello rileva casi positivi.

Calcolo dei Metrici

Queste metriche sono derivate dalla matrice di confusione, che riassume i veri positivi (TP), i falsi positivi (FP), i veri negativi (TN), e i falsi negativi (FN).

Formula: