Bij problemen met de indeling onder toezicht is het essentieel dat de prestaties van een model worden geëvalueerd. Metrics zoals precisie, terugroep- en F1-score geven inzicht in hoe goed het model verschillende klassen voorspelt. Begrijpen hoe deze metrics te berekenen helpt bij het selecteren en goed afstemmen van modellen.

Precisie

Precisie meet het aandeel positieve voorspellingen dat juist is. Het wordt berekend als het aantal ware positieven gedeeld door de som van ware positieven en valse positieven.

De formule voor precisie is:

Precisie = ware positieven / (waar positieven + vals positieven)

Herinneren

Herinneren, ook wel bekend als gevoeligheid, meet het aandeel van de feitelijke positieven die correct worden geïdentificeerd. Het wordt berekend als het aantal echte positieven gedeeld door de som van de werkelijke positieven en valse negatieven.

De formule voor terugroepen is:

Recall = True Positives / (True Positives + Valse Negatives)

F1 Score

De F1 score combineert precisie en terugroep tot één enkele metriek door hun harmonische gemiddelde te berekenen. Het geeft een evenwichtige maat, vooral wanneer de klassenverdeling ongelijk is.

De formule voor F1 score is:

F1 Score = 2 * (Precisie * Terugroepen) / (Precisie + Terugroepen)

Samenvatting

  • Precisie geeft de nauwkeurigheid van positieve voorspellingen aan.
  • Herinnering meet het vermogen om alle positieve gevallen te identificeren.
  • De F1 scoort precisie en terugroept tot één enkele metriek.