Precision, återkallelse och F1-poäng är viktiga mätvärden som används för att utvärdera prestandan hos NLP-klassificeringsmodeller. De hjälper till att förstå hur bra en modell förutspår olika klasser, särskilt i obalanserade datamängder.

Förstå precision

Precision mäter andelen sanna positiva förutsägelser bland alla positiva förutsägelser som modellen gjort. Det indikerar hur många av de förutspådda positiva fallen som faktiskt är positiva.

Förstå Recall

Återkalla, även känd som känslighet, mäter andelen faktiska positiva fall som är korrekt identifierade av modellen. Det återspeglar modellens förmåga att upptäcka positiva instanser.

Beräkning av F1-Score

F1-score är det harmoniska medlet för precision och återkallelse. Det ger en enda metrik som balanserar både, särskilt användbart när klassdistributionen är ojämn.

Exempel Beräkning

Anta att en modell förutspår 80 positiva fall, varav 60 är korrekta. De totala faktiska positiva fallen är 70. Beräkningarna är följande:

  • ]Precision:] 60/80=0,75
  • ]Recall: 60/70 ≈ 0,857
  • ]F1-Score: 2 * (0,75 * 0,857) / (0,75 + 0,857) ≤ 0,80