Em problemas de classificação supervisionados, avaliar o desempenho de um modelo é essencial. Métricas como precisão, memória e pontuação F1 fornecem insights sobre como o modelo prevê diferentes classes. Entender como calcular essas métricas ajuda na seleção e ajuste de modelos de forma eficaz.

Precisão

A precisão mede a proporção de predições positivas que são corretas. É calculada como o número de verdadeiros positivos dividido pela soma de verdadeiros positivos e falsos positivos.

A fórmula para precisão é:

Precisão = Verdadeiros positivos / (Verdadeiros positivos + Falsos positivos)

Retirar

Lembre-se, também conhecida como sensibilidade, mede a proporção de positivos reais que são corretamente identificados. Calcula-se como o número de verdadeiros positivos dividido pela soma dos verdadeiros positivos e falsos negativos.

A fórmula para a recolha é:

Revogar = Verdadeiros Positivos / (Verdadeiros Positivos + Falsos Negativos)

F1 Pontuação

A pontuação F1 combina precisão e memória em uma única métrica, calculando sua média harmônica. Ela fornece uma medida equilibrada, especialmente quando a distribuição de classe é desigual.

A fórmula para pontuação F1 é:

F1 Pontuação = 2 * (Precisão * Lembre-se) / (Precisão + Lembre-se)

Resumo

  • A precisão indica a precisão das previsões positivas.
  • Recordar medidas de capacidade para identificar todas as instâncias positivas.
  • O escore F1 equilibra precisão e relembra em uma única métrica.