Точність, згадка та F1 є важливими метриками, які використовуються для оцінки продуктивності моделей класифікації. Розуміння, як розрахувати та інтерпретувати ці метрики, що допомагають оцінити ефективність моделей машинного навчання в різних додатках.

Розрахунок точності

Точність заходів, що стосуються істинних позитивних прогнозів серед всіх позитивних прогнозів, які зроблені моделлю. Це свідчить про те, скільки прогнозованих позитивних випадків, насправді позитивне.

Формула для точності:

Precision = Справжні Позитивні результати / (Трейські Позитивні результати + False Позитивні результати)

Розрахунок ректу

Нагадаємо, також відомий як чутливість, вимірює пропорцію фактичних позитивних випадків, які правильно визначаються моделлю. Відображує здатність моделі виявити позитивні екземпляри.

Формула для згадування:

Recall = Справжні Позитивні результати / (Трейські Позитивні результати + негативні негативні значення)

Розрахунок F1 Оцінка

Оцінка F1 є гармонічним засобом прецизії та згадування. Він забезпечує збалансований захід, який розглядає як метрики, особливо корисний, коли розподіл класу нерівномірний.

Формула для F1 бал:

F1 Оцінка = 2 * (Повага * Резюлл) / (Позначення + Резюлл)

Перетворення метриків

Висока точність свідчить про те, що найбільш прогнозовані позитивні результати правильні, при цьому висока згадка показує, що найбільш актуальні позитивні результати виявляються. Оцінка F1 балансує ці два аспекти. Залежно від застосування, що передує один метрик над іншими може бути необхідним.

Наприклад, в медичній діагностиці, згадувати може бути більш важливим для забезпечення непропущених позитивних випадків. При виявленні спаму, точність може бути попередньо дозріжена для зменшення помилкових позитивних наслідків.