Sõnastik

Saagis (recall) masinõppes

Mis on Saagis (recall) masinõppes?

Saagis (recall, ka tundlikkus või tõeliselt positiivsete määr) mõõdab, kui suure osa tegelikest positiivsetest juhtumitest mudel tuvastab: õigesti tuvastatud positiivsed jagatud kõigi tegelike positiivsetega. Kui pettusefilter püüab kinni 80 tegelikku pettusejuhtumit 100-st, on selle saagis 0,8. Kõrge saagis on oluline, kui märkamata jäänud juhtumid on kulukad, näiteks meditsiinilises diagnostikas. Kuna see ei arvesta valehäireid, vaadeldakse seda tavaliselt koos täpsusega, näiteks F-skooris.

Teemad

mõõdik
mudeli hindamine
klassifitseerimine

Proovi KI.ordot

Agendid, töövood ja mallid ühes tööruumis – tasuta 24-tunnine demo.

Alusta demot

← Kõik terminid

Seotud terminid

F-skoor (F1-skoor)

F-skoor on klassifitseerimismudelite hindamise mõõdik. Levinud F1-skoor on täpsuse (kui palju ennustatud tabamustest on õiged) ja saagise (kui palju tegelikest tabamustest leiti) harmooniline keskmine ning jääb vahemikku 0 kuni 1. See on eriti kasulik tasakaalustamata andmete puhul: rämpsposti peaaegu kunagi märkiv filter võib olla väga õige (accuracy), kuid selle F1-skoor on madal.

Hindamismõõdik
Liigitus
+1

Eksimismaatriks

Eksimismaatriks (confusion matrix) on tabel, mis võrdleb klassifikaatori ennustusi tegelike klassidega. Kahe klassi puhul näitab see tõeselt positiivseid, valepositiivseid, tõeselt negatiivseid ja valenegatiivseid. Sellest saab arvutada mõõdikuid nagu täpsus, saagis ja F1-skoor ning selgub, millised vead esinevad. Näide: rämpsposti filter, mis märgib palju õigeid e-kirju rämpspostiks, annab palju valepositiivseid, mis on sageli kulukam kui märkamata jäänud rämpspostisõnum.

Mudeli hindamine
Liigitus
+1

ROC-kõver

ROC-kõver (receiver operating characteristic) näitab, kui hästi klassifitseerimismudel kaht klassi eraldab. Iga võimaliku otsuslävendi jaoks kujutab see tõeliselt positiivsete määra (saagist) valepositiivsete määra suhtes. Mida lähemale kõver ülemisele vasakule nurgale ulatub, seda parem; diagonaal vastab puhtale äraarvamisele. Selle all olev pindala (AUC) võtab kõvera kokku ühe arvuna ja aitab näiteks eri pettusetuvastusmudelite võrdlemisel.

mõõdik
mudeli hindamine
+1

Keskmine keskmistatud täpsus (mAP)

Keskmine keskmistatud täpsus (mean average precision, mAP) on mõõdik, mis hindab, kui hästi süsteem leiab asjakohaseid tulemusi ja järjestab need tipu lähedale. Keskmine täpsus arvutatakse iga päringu või objektiklassi tulemusloendi põhjal; mAP on nende kõigi keskmine. See on otsingumootorite, soovitussüsteemide ja piltidel objektituvastuse standardmõõt, kus see sõltub ka piirdekastide nõutavast kattuvusest.

mõõdik
otsing
+1