I övervakade klassificeringsproblem är utvärdering av prestandan hos en modell avgörande. Metrics som precision, återkallande och F1-poäng ger insikter om hur väl modellen förutsäger olika klasser. Förstå hur man beräknar dessa mätvärden hjälper till att välja och stämningsmodeller effektivt.
Precision
Precision mäter andelen positiva förutsägelser som är korrekta. Det beräknas som antalet sanna positiva dividerat med summan av sanna positiva och falska positiva.
Formeln för precision är:
]Precision = Sanna positiva/ (Sanna positiva + falska positiva)]
Återkalla
Återkalla, även känd som känslighet, mäter andelen faktiska positiva som är korrekt identifierade. Det beräknas som antalet sanna positiva dividerat med summan av sanna positiva och falska negativa.
Formeln för återkallelse är:
Recall = Sanna positiva/ (Sanna positiva + falska negativa)]
F1 poäng
F1-poängen kombinerar precision och återkallar sig till en enda metrisk genom att beräkna deras harmoniska medelvärde. Det ger en balanserad åtgärd, särskilt när klassdistributionen är ojämn.
Formeln för F1 poäng är:
]F1 Score = 2 * (Precision * Recall) / (Precision + Recall)]
Sammanfattning
- Precision indikerar noggrannheten av positiva förutsägelser.
- Återkalla åtgärder förmågan att identifiera alla positiva instanser.
- F1 poäng balanserar precision och återkallar till en enda metrisk.