Kepresisian, recall, dan F1-score adalah metrik penting yang digunakan untuk mengevaluasi kinerja model klasifikasi NLP. Mereka membantu dalam memahami seberapa baik model memprediksi kelas yang berbeda, terutama dalam dataset yang tidak seimbang.

Kepersisan Pengertian Kepersepian

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 diperkirakan sebenarnya positif.

Ingatan Pengertian

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

Mengira F1-Score

Dia menyediakan metrik tunggal yang menyeimbangkan keduanya, terutama berguna ketika distribusi kelas tidak rata.

Contoh Penghitungan Contoh sebolan

Misalkan sebuah model memprediksi 80 kasus positif, yang di antaranya 60 kasus yang benar. total kasus positif yang sebenarnya adalah 70 perhitungannya adalah sebagai berikut:

  • Precision: 60 / 80 = 0.75
  • Recall: 60 / 70 ⁇ 0.857
  • [[Eflat:0]]F1-Score: 2 * (0.75 * 0.857) / (0.75 + 0.857) ⁇ 0.80