정밀, 리콜 및 F1 점수는 분류 모델의 성능을 평가하는 데 사용되는 중요한 지표입니다. 계산 및 해석하는 방법을 이해하는 것은 다양한 응용 프로그램에 기계 학습 모델의 효과를 평가하는 데 도움이됩니다.

열량측정

정밀는 모델에 의해 만들어진 모든 긍정적인 예측 중 진정한 긍정적 인 예측의 비율을 측정합니다. 예측 된 긍정적 인 사례의 많은 것을 실제로 긍정적 인 사례가 무엇인지 나타냅니다.

정밀도를 위한 공식은:

Precision = True Positives / (True Positives + False Positives)

캘리포니아

Recall, 또한 감도로 알려진, 모델에 의해 올바르게 식별 된 실제 긍정적 인 사례의 비율을 측정합니다. 그것은 긍정적 인 인스턴스를 감지하는 모델의 능력을 반영합니다.

리콜의 공식은:

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

F1 점수 계산

F1 점수는 정밀 및 리콜의 조화적 의미입니다. 그것은 클래스 배포가 언젠가 될 때 특히 유용 할 수 있는 미터를 고려하는 균형있는 측정을 제공합니다.

F1 점수의 공식은 다음과 같습니다.

F1 점수 = 2 * (예 : * 회신) / (예 : + 회신)

미터를 해석

높은 정밀도는 가장 예측된 긍정적이 정확하다는 것을 나타냅니다, 높은 리콜은 대부분의 실제적인 긍정적이 확인되는 것을 보여줍니다. F1 점수는 이 두 가지 측면을 균형. 응용 프로그램에 따라 다른 사람에 1 미터를 우선 순위화 할 수 있습니다.

예를 들어, 의료 진단에서, 리콜은 긍정적 인 사례가 놓칠 수 없다는 것을 보장하기 위해 더 중요합니다. 스팸 감지에서 정밀도는 거짓 긍정적 인 긍정적 인 긍정적 인 긍정적 인 손실을 줄이기 위해 우선적으로 일 수 있습니다.