Κοινή χρήση τεχνολογίας

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Η βαθμολογία F1 είναι ένας δείκτης που μετρά την απόδοση ενός μοντέλου ταξινόμησης. Είναι ιδιαίτερα κατάλληλος για την επεξεργασία συνόλων δεδομένων με εξαιρετικά ανισορροπία. Η τιμή της βαθμολογίας F1 κυμαίνεται από 0 έως 1.
Τύπος υπολογισμού:
Η βαθμολογία F1 είναι η αρμονική μέση ακρίβεια και ανάκληση.
$\ast \ast \phi ά1\sigma \kappa o\rho =2\times \frac{\Pi rec{\rm E}\gamma ώ\mu \iota \kappa \rho ό{\rm E}\gamma ώon\times R\epsilon \kappa έ\nu \alpha ll}{\Pi rec{\rm E}\gamma ώ\mu \iota \kappa \rho ό{\rm E}\gamma ώon+R\epsilon \kappa έ\nu \alpha ll}\ast \ast$
Τι είναι λοιπόν η ακρίβεια και η ανάκληση;
Ακρίβεια: Η αναλογία των δειγμάτων που προβλέπονται ως θετικά από το μοντέλο και τα οποία είναι πραγματικά θετικά.
Ανάκληση (ποσοστό ανάκλησης): Η αναλογία των δειγμάτων που είναι στην πραγματικότητα θετική κατηγορία και έχουν προβλεφθεί σωστά ως θετική κατηγορία από το μοντέλο.
Υπολογίζεται ως εξής:
$\Pi rec{\rm E}\gamma ώ\mu \iota \kappa \rho ό{\rm E}\gamma ώon=\frac{TP}{TP+\Pi \Pi }$
$R\epsilon \kappa έ\nu \alpha ll=\frac{TP}{TP+FN}$
Π.χ:

Τι είναι το TP; FP; FN？
TP (True Positive): Το μοντέλο προβλέπει μια θετική κλάση, και στην πραγματικότητα είναι μια θετική κατηγορία Υπάρχουν 2 παραδείγματα.
FP (False Positive): Το μοντέλο προβλέπει μια θετική τάξη, αλλά στην πραγματικότητα είναι μια αρνητική τάξη. Υπάρχουν 1 παραδείγματα.
FN (False Negative): Το μοντέλο προβλέπει μια αρνητική τάξη, αλλά στην πραγματικότητα είναι μια θετική τάξη. Υπάρχει 1 εδώ.
$\Pi rec{\rm E}\gamma ώ\mu \iota \kappa \rho ό{\rm E}\gamma ώon=\frac{TP}{TP+\Pi \Pi }=\frac{2}{2+1}=0.67$
$R\epsilon \kappa έ\nu \alpha ll=\frac{TP}{TP+FN}=\frac{2}{2+1}=0.67$
$\phi ά1\sigma \kappa o\rho =2\times \frac{\Pi rec{\rm E}\gamma ώ\mu \iota \kappa \rho ό{\rm E}\gamma ώon\times R\epsilon \kappa έ\nu \alpha ll}{\Pi rec{\rm E}\gamma ώ\mu \iota \kappa \rho ό{\rm E}\gamma ώon+R\epsilon \kappa έ\nu \alpha ll}=2\times \frac{0.67\times 0.67}{0.67+0.67}=0.67$

Ποιες ερωτήσεις απαντούν αντίστοιχα η ανάκληση και η ακρίβεια;？
Θυμηθείτε: ναι καθόλουΟυσιαστικά θετικός τύποςΣτο δείγμα,Προβλέπεται ότι θα είναι θετικότου!
Επομένως, η απάντηση είναι: ανάμεσα σε όλα τα θετικά δείγματα, πόσα αναγνωρίζονται σωστά από το μοντέλο.
Ακρίβεια: Ναι καθόλουΠροβλέπεται ότι θα είναι θετικόΣτο δείγμα,Μάλιστα, είναι και θετικότης αναλογίας.
Επομένως, η απάντηση είναι: Μεταξύ όλων των δειγμάτων που προβλέπονται θετικά, πόσα είναι θετικά;