Precision, tilbakemelding og F1-score er viktige målestok som brukes til å evaluere ytelsen til klassifiseringsmodeller. Å forstå hvordan å beregne og tolke disse metrikkene bidrar til å vurdere effektiviteten til maskinlæringsmodeller i ulike applikasjoner.

Beregner presisjon

Precision måler andelen av sanne positive spådommer blant alle positive spådommer som er gjort av modellen. Det indikerer hvor mange av de forutspådde positive tilfellene er faktisk positive.

Formlen for presisjon er:

Precision = True Positives / (Sann positiver + Falske Positiver)]

Beregner minner

Husk, også kjent som følsomhet, måler andelen faktiske positive tilfeller som er riktig identifisert av modellen. Det gjenspeiler modellens evne til å oppdage positive tilfeller.

Formlen for å huske er:

Recall = True Positives / (Sann positive + Falske negativer)]

Beregner F1-score

F1-scoren er det harmoniske gjennomsnittet av presisjon og tilbakemelding. Den gir et balansert mål som anser begge metrikkene, spesielt nyttig når klassefordelingen er ujevn.

Formlen for F1-score er:

F1 Score = 2 * (Precision * Minder) / (Precision + Minder)]

Tolker metrics

Høy presisjon indikerer at de fleste forutsidde positive er riktige, mens høy tilbakekalling viser at de fleste faktiske positive er identifisert. F1-scoren balanserer disse to aspektene. Avhengig av søknaden, prioritering en metrologi over de andre kan være nødvendig.

For eksempel kan det i medisinsk diagnose være viktigere å huske å sikre at ingen positive tilfeller er savnet. I spam-deteksjon kan presisjon prioriteres for å redusere falske positive.