У задачах супервізійної класифікації, оцінка продуктивності моделі є важливим. Метричні речовини, такі як точність, згадування, а також F1 бал забезпечують розуміння того, наскільки добре модель прогнозує різні класи. Розуміння того, як розрахувати ці метрики допомагає у виборі та налаштування моделей ефективно.

Відповідальність

Точність заходів, що стосуються позитивних прогнозів, які є правильними. Розраховується як кількість істинних позитивних відгуків, що діляться сумою істинних позитивних і помилкових позитивних результатів.

Формула для точності:

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

КРОК

Нагадаємо, також відомий як чутливість, вимірює пропорцію фактичних позитивних відгуків, які правильно визначені. Розраховується як кількість істинних позитивних відгуків, що діляться сумою істинних позитивних емоцій і помилкових негативних негативних наслідків.

Формула для згадування:

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

F1 Оцінка

В результаті цього показника F1 об'єднує точність і згадуємо в один метрик, розрахувавши їх гармонічною речовиною. Вона забезпечує збалансований захід, особливо якщо розподіл класу нерівномірний.

Формула для F1 бал:

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

Редакція

  • Точність свідчить про точність позитивних прогнозів.
  • Здійснити заходи щодо визначення всіх позитивних екземплярів.
  • Нарахування балів F1 і згадувати в один метрічний.