I overvåkede klassifiseringsproblemer er det viktig å vurdere ytelsen til en modell. Metrics som presisjon, tilbakekalling og F1-score gir innsikt i hvor godt modellen forutsier ulike klasser. Forstå hvordan å beregne disse metrics hjelper til å velge og tuning modeller effektivt.

Precision

Precision måler andelen positive spådommer som er riktige. Det beregnes som antall sanne positive fordelt på summen av sanne positive og falske positive.

Formlen for presisjon er:

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

Husk

Husk, også kjent som følsomhet, måler andelen faktiske positive som er riktig identifisert. Det beregnes som antall sanne positive fordelt på summen av sanne positive og falske negative.

Formlen for å huske er:

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

F1-score

F1-scoren kombinerer presisjon og husker i en enkelt metrisk ved å beregne deres harmoniske middelverdi. Det gir et balansert mål, spesielt når klassefordelingen er ujevn.

Formlen for F1-score er:

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

Sammendrag

  • Precision indikerer nøyaktigheten av positive forutsigelser.
  • Husk å måle evnen til å identifisere alle positive tilfeller.
  • F1 score balanserer presisjon og husker i en enkelt metrisk.