Keperselisihan, recall, dan F1 skor adalah metrik penting yang digunakan untuk mengevaluasi kinerja model klasifikasi. pemahaman bagaimana menghitung dan menafsirkan metrik ini membantu dalam menilai efektivitas model pembelajaran mesin dalam berbagai aplikasi.

Menghitung Presisi

Prediksi kontaminasi mengukur proporsi prediksi positif yang benar di antara semua prediksi positif yang dibuat oleh model. ini menunjukkan berapa banyak dari kasus positif yang diprediksi sebenarnya positif.

Formula untuk presisi adalah:

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

Menghitung Penghitungan

Ingatan, juga dikenal sebagai sensitivitas, mengukur proporsi kasus positif aktual yang diidentifikasi dengan benar oleh model. Ini mencerminkan kemampuan model untuk mendeteksi kejadian positif.

Formula untuk mengingat adalah:

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

Menghitung Skor F1

Skor F1 adalah harmonik dari ketepatan dan recall. memberikan ukuran yang seimbang yang mempertimbangkan kedua metrik, terutama berguna ketika distribusi kelas tidak merata.

Formula untuk skor F1 adalah:

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

Tafsiran Metrik

Presisi tinggi menunjukkan bahwa sebagian besar positif yang diprediksi adalah benar, sementara recall tinggi menunjukkan bahwa sebagian besar positif aktual diidentifikasi. skor F1 menyeimbangkan dua aspek ini. tergantung pada aplikasi, memprioritaskan satu metrik atas yang lain mungkin diperlukan.

Misalnya, dalam diagnosis medis, ingat kembali mungkin lebih penting untuk memastikan tidak ada kasus positif yang terlewatkan. dalam deteksi spam, ketepatan dapat diprioritaskan untuk mengurangi positif palsu.