Teknologian jakaminen

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

F1-piste on luokitusmallin suorituskykyä mittaava indikaattori. Se soveltuu erityisen hyvin epätasapainoisten tietojoukkojen käsittelyyn. F1-pisteen arvo vaihtelee välillä 0 - 1. Mitä suurempi arvo, sitä parempi suorituskyky.
Laskentakaava:
F1-pisteet on tarkkuuden ja muistamisen harmoninen keskiarvo.
$\ast \ast F1pisteet=2\times \frac{srecision\times Recall}{srecision+Recall}\ast \ast$
Mitä ovat tarkkuus ja muistaminen?
Tarkkuus: Niiden näytteiden osuus, jotka malli ennustaa positiivisiksi ja jotka ovat todella positiivisia.
Palautus (palautusprosentti): Niiden näytteiden osuus, jotka ovat todella positiivisia ja jotka malli ennustaa oikein positiivisiksi luokiksi.
Lasketaan seuraavasti:
$Precision=\frac{TP}{TP+FP}$
$Recall=\frac{TP}{TP+FN}$
Esim:

Mikä on TP? FP? FN？
TP (True Positive): Malli ennustaa positiivisen luokan, ja se on itse asiassa positiivinen luokka. Esimerkkejä on 2.
FP (False Positive): Malli ennustaa positiivisen luokan, mutta se on itse asiassa negatiivinen luokka. Esimerkkejä on 1.
FN (False Negative): Malli ennustaa negatiivisen luokan, mutta se on itse asiassa positiivinen luokka. Täällä on 1.
$Precision=\frac{TP}{TP+FP}=\frac{2}{2+1}=0.67$
$Recall=\frac{TP}{TP+FN}=\frac{2}{2+1}=0.67$
$F1pisteet=2\times \frac{Precision\times Recall}{Precision+Recall}=2\times \frac{0.67\times 0.67}{0.67+0.67}=0.67$

Mihin kysymyksiin muistaminen ja tarkkuus vastaavat vastaavasti?？
Muista: kyllä ​​ollenkaanItse asiassa positiivinen tyyppinäytteessäEnnustettu positiiviseksi/!
Siksi vastaus on: kuinka monta malli tunnistaa oikein kaikista positiivisista näytteistä.
Tarkkuus: KylläEnnustettu positiiviseksinäytteessäItse asiassa se on myös positiivistasuhteesta.
Siksi vastaus on: Kuinka moni kaikista positiivisiksi ennustetuista näytteistä on positiivisia?