Dalam bahasa cofron yang mengawasi masalah klasifikasi, mengevaluasi kinerja suatu model sangat penting.Metrik seperti presisi, recall, dan F1 skor memberikan pemahaman tentang seberapa baik model memprediksi kelas yang berbeda. Memahami bagaimana menghitung metrik ini membantu dalam memilih dan tuning model secara efektif.

Kepersisan Kepertimbangan Kepertimbangan

Presisi kinsidon mengukur proporsi prediksi positif yang benar. dihitung sebagai jumlah positif sejati yang dibagi dengan jumlah positif sejati dan positif palsu.

Formula untuk presisi adalah:

Presisi = Positif Benar / (True Positives + Salah Positif)[

Ingatlah

Ingatan, juga dikenal sebagai sensitivitas, mengukur proporsi positif aktual yang diidentifikasi dengan benar. dihitung sebagai jumlah positif sejati yang dibagi dengan jumlah positif sejati dan negatif palsu.

Formula untuk mengingat adalah:

[[CALAL:0]]Recall = Positif Benar / (True Positives + Salah Negatif)[

Skor F1

Skor F1 ini menggabungkan presisi dan recall ke dalam metrik tunggal dengan menghitung harmonik mereka. Ini memberikan ukuran yang seimbang, terutama ketika distribusi kelas tidak rata.

Formula untuk skor F1 adalah:

[[LRT:0]]F1 Skor = 2 * (Precision * recall) / (Precision + recall)[

Ringkasan

  • Presisi ketaksubsan menunjukkan ketepatan prediksi positif.
  • Ingatlah kembali langkah - langkah yang mengukur kesanggupan untuk mengenali semua contoh positif.
  • Skor F1 imbang presisi dan ingat ke dalam satu metrik.