Ang precision, recalle, at F1 score ay mga mahahalagang metric na ginagamit upang suriin ang pagganap ng mga modelong klasipikasyon. ang pag-unawa kung paano kakalkulahin at bigyang kahulugan ang mga metrikong ito ay tumutulong sa pag-alam ng pagiging epektibo ng mga modelong pagkatuto ng makina sa iba't ibang mga aplikasyon.
Pagkalkula sa Presipitasyon
Ang precision ay sumusukat ng proporsiyon ng mga tunay na positibong prediksiyon kabilang ang lahat ng mga positibong prediksiyon na ginawa ng modelo. Ito ay nagpapakita kung ilan sa mga hinulaang positibong kaso ay aktuwal na positibo.
Ang pormula para sa prekwensiya ay:
[[Parecision = Tunay na Positibo / (Tunay na Positibo + Huwad na mga Positibo)[
Pagkalkula sa Pag - alaala
Maaalaala, na kilala rin bilang sensitivity, ang sumusukat sa proporsiyon ng aktuwal na positibong mga kaso na tama na nakikilala ng modelo.Ito ay sumasalamin sa kakayahan ng modelo na makapansin ng mga positibong pagkakataon.
Ang pormula para sa pag - alaala ay:
[Talaksan = Tunay na Positibo / (Tunay na Positibo + Huwad na mga Negatibo)[
Pagkalkula sa F1 Siksik
Ang iskor na F1 ay ang harmonikong mean ng prekwensiya at pag-aalala. ito ay nagbibigay ng timbang na sukat na isinasaalang-alang ang parehong metriko, lalo na ang kapakipakinabang kapag ang distribusyon ng klase ay hindi pantay.
Ang pormula para sa iskor na F1 ay:
F1 Score = 2 * (Precision * Remember) / (Precision + Remember)
Pagpapaliwanag sa mga Katampalasa
Ang mataas na prekwensiya ay nagpapakita na ang karamihan ng mga hinulaang positibo ay tama, samantalang ang mataas na pag-aalala ay nagpapakita na ang karamihan ng mga aktuwal na positibo ay natutukoy. Ang F1 iskor na mga balanse ang dalawang mga aspeto na ito. depende sa aplikasyon, presitibong isang metriko kaysa iba ay maaaring kailanganin.
Halimbawa, sa medikal na pagsusuri, baka mas mahalagang tandaan na walang nawalang positibong kaso ang hindi nasusuri.