精密、リコール、F1 スコアは、分類モデルの性能を評価するために使用される重要な指標です。これらのメトリックを計算し、解釈する方法を理解することは、さまざまなアプリケーションで機械学習モデルの有効性を評価するのに役立ちます。

精密計算

精密は、モデルによって行われたすべての肯定的な予測の中で真の肯定的な予測の割合を測定します。 予測された正例の何人が実際に肯定的であるかを示します。

精密のための方式はあります:

精密=真の正性/(真の正性+偽の陽性)

計算リコール

感度として知られるリコールは、モデルによって正しく識別される実際の正例の割合を測定します。それは、モデルの肯定的なインスタンスを検出する能力を反映しています。

リコールの式は次のとおりです。

Recall = True Positives / (True Positives + False Negatives)]

F1スコアの計算

F1 スコアは、精度とリコールの調和的な意味です。クラス分布が不均一な場合に特に有用である、両方のメトリックを考慮するバランスの取れた測定を提供します。

F1スコアの式は次のとおりです。

F1 スコア = 2 * (プレゼンテーション * リコール) / (プレシジョン + リコール)

メトリックの解釈

高精度は、最も予測された正当が正しいことを示します。高いリコールは、ほとんどの実際の正当が特定されていることを示しています。 F1スコアは、これらの2つの側面のバランスをとっています。 アプリケーションによっては、他の人に1つのメトリックを優先する必要があります。

例えば、医療診断では、正の症例が見逃せないことを、リコールがより重要である可能性があります。スパム検出では、誤った正当性を低下させる精度が優先される可能性があります。