Речник

Пълнота (recall) в машинното обучение

Какво е Пълнота (recall) в машинното обучение?

Пълнотата (recall, наричана още чувствителност или дял на истинско положителните) измерва какъв дял от действителните положителни случаи открива моделът: правилно разпознатите положителни, разделени на всички реални положителни. Ако филтър за измами улавя 80 от 100 реални случая на измама, пълнотата му е 0,8. Високата пълнота е важна, когато пропуснатите случаи са скъпоструващи, например при медицинска диагностика. Тъй като пренебрегва фалшивите тревоги, обикновено се разглежда заедно с прецизността, например във F-мярката.

Теми

метрика
оценка на модела
класификация

Изпробвайте KI.ordo

Агенти, потоци и шаблони в едно работно пространство – безплатна 24-часова демонстрация.

Стартирайте демото

← Всички термини

Свързани термини

F-мярка (F1 score)

F-мярката е метрика за оценка на класификационни модели. Често използваната F1 стойност е хармоничната средна на прецизността (колко от предвидените попадения са верни) и обхвата (колко от действителните попадения са намерени) и е в диапазона от 0 до 1. Особено полезна е при небалансирани данни: спам филтър, който почти никога не отбелязва спам, може да има висока точност, но ниска F1 стойност.

Метрика за оценка
Класификация
+1

Матрица на неточностите (confusion matrix)

Матрицата на неточностите (confusion matrix) е таблица, която сравнява прогнозите на класификатор с действителните класове. При два класа тя показва истинно положителните, фалшиво положителните, истинно отрицателните и фалшиво отрицателните случаи. От нея могат да се изчисляват метрики като прецизност, обхват и F1 стойност и става ясно какви грешки се допускат. Пример: спам филтър, който отбелязва много истински имейли като спам, има много фалшиво положителни случаи, което често е по-скъпо от пропуснато спам съобщение.

Оценка на модели
Класификация
+1

ROC крива

ROC кривата (receiver operating characteristic) показва колко добре един класификационен модел разделя два класа. За всеки възможен праг на решение тя нанася дела на истинско положителните (recall) спрямо дела на фалшиво положителните. Колкото по-близо стига кривата до горния ляв ъгъл, толкова по-добре; диагоналът съответства на чисто налучкване. Площта под нея (AUC) обобщава кривата в едно число и помага например при сравняване на различни модели за откриване на измами.

метрика
оценка на модела
+1

Средна средна прецизност (mAP)

Средната средна прецизност (mean average precision, mAP) е метрика, която оценява доколко добре една система намира релевантни резултати и ги подрежда близо до върха. Средната прецизност се изчислява по списъка с резултати за всяка заявка или клас обекти; mAP е средната стойност за всички тях. Тя е стандартна мярка за търсачки, системи за препоръки и откриване на обекти в изображения, където зависи и от изискваното припокриване на ограничителните рамки.

метрика
търсене
+1