Glosář

Úplnost (recall) ve strojovém učení

Co je Úplnost (recall) ve strojovém učení?

Úplnost (recall; též citlivost nebo míra skutečně pozitivních) měří, jaký podíl skutečně pozitivních případů model odhalí: správně rozpoznané pozitivní případy dělené všemi skutečně pozitivními. Pokud filtr podvodů zachytí 80 ze 100 skutečných podvodů, je jeho úplnost 0,8. Vysoká úplnost je důležitá tam, kde jsou přehlédnuté případy nákladné, například při lékařské diagnostice. Protože ignoruje plané poplachy, posuzuje se obvykle společně s přesností (precision), například v podobě skóre F.

Témata

metrika
hodnocení modelu
klasifikace

Vyzkoušet KI.ordo

Agenti, postupy a šablony v jednom pracovním prostoru – 24hodinové demo zdarma.

Spustit demo

← Všechny pojmy

Související pojmy

F-skóre (F1 skóre)

F-skóre je metrika pro hodnocení klasifikačních modelů. Běžné F1 skóre je harmonický průměr přesnosti (kolik předpovězených zásahů je správných) a úplnosti (kolik skutečných zásahů bylo nalezeno) a pohybuje se od 0 do 1. Je užitečné zejména u nevyvážených dat: filtr spamu, který spam téměř nikdy neoznačí, může mít vysokou správnost, ale nízké F1 skóre.

Hodnoticí metrika
Vyhodnocení
+1

Matice záměn (confusion matrix)

Matice záměn (confusion matrix) je tabulka, která porovnává predikce klasifikátoru se skutečnými třídami. Pro dvě třídy ukazuje pravdivě pozitivní, falešně pozitivní, pravdivě negativní a falešně negativní případy. Z ní lze vypočítat metriky, jako jsou přesnost, úplnost a F1 skóre, a je z ní zřejmé, jaké chyby nastávají. Příklad: filtr spamu, který označuje mnoho skutečných e-mailů jako spam, má mnoho falešně pozitivních případů, což je často dražší než zmeškaný spam.

Hodnocení modelů
Vyhodnocení
+1

ROC křivka

ROC křivka (receiver operating characteristic) ukazuje, jak dobře klasifikační model odděluje dvě třídy. Pro každou možnou rozhodovací hranici vynáší míru skutečně pozitivních případů (recall) proti míře falešně pozitivních. Čím blíže se křivka blíží k levému hornímu rohu, tím lépe; úhlopříčka odpovídá čistému hádání. Plocha pod ní (AUC) křivku shrnuje do jednoho čísla a pomáhá například při porovnávání různých modelů pro odhalování podvodů.

metrika
hodnocení modelu
+1

Střední průměrná přesnost (mAP)

Střední průměrná přesnost (mean average precision, mAP) je metrika, která hodnotí, jak dobře systém nachází relevantní výsledky a řadí je na přední místa. Průměrná přesnost se počítá napříč seznamem výsledků pro každý dotaz nebo třídu objektů; mAP je průměr přes všechny. Je to standardní míra pro vyhledávače, doporučovací systémy a detekci objektů na obrázcích, kde závisí i na požadovaném překryvu ohraničujících rámečků.

metrika
vyhledávání
+1