초시 분류 문제에서 모델의 성능을 평가하는 것은 필수적입니다. 정밀, 리콜, F1 점수와 같은 미터는 모델이 다른 클래스를 예측하는 방법에 대한 통찰력을 제공합니다. 이러한 미터를 계산하는 방법을 이해하는 것은 선택 및 튜닝 모델에 효과적으로 도움이됩니다.

의 특징

정밀는 정확한 긍정적 예측의 비율을 측정합니다. 그것은 진정한 긍정적 인 및 거짓 긍정적 인 합계로 나뉘어 진정한 긍정적 인 긍정적 인 수로 계산됩니다.

정밀도를 위한 공식은:

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

팟캐스트

Recall, 또한 감도로 알려진, 정확하게 식별 된 실제 긍정적의 비율을 측정. 그것은 진정한 긍정적 인과 거짓 부정적인의 합에 의해 분할된 진정한 긍정적의 수로 계산됩니다.

리콜의 공식은:

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

F1 점수

F1 점수는 정밀하고 반향을 계산하여 단일 메트릭으로 회상합니다. 그것은 클래스 배포가 무효 할 때 균형있는 측정을 제공합니다.

F1 점수의 공식은 다음과 같습니다.

F1 점수 = 2 * (예 : * 회신) / (예 : + 회신)

의논하기

  • 정밀은 긍정적 인 예측의 정확도를 나타냅니다.
  • Recall은 모든 긍정적인 인스턴스를 식별 할 수있는 능력을 측정합니다.
  • F1 점수는 정밀도를 균형과 단일 미터로 재채팅합니다.