F-mjera je metrika za ocjenjivanje klasifikacijskih modela. Uobičajena F1 mjera je harmonijska sredina preciznosti (koliko je predviđenih pogodaka točno) i odziva (koliko je stvarnih pogodaka pronađeno), a kreće se od 0 do 1. Posebno je korisna kod neuravnoteženih podataka: filtar za spam koji gotovo nikad ne označi spam može imati visoku točnost, ali nisku F1 mjeru.
Agenti, tijekovi rada i predlošci u jednom radnom prostoru – besplatna demo verzija na 24 sata.
Pokrenite demoOdziv (recall), poznat i kao osjetljivost ili stopa istinitih pozitiva, mjeri koji udio stvarnih pozitivnih slučajeva model otkriva: ispravno prepoznati pozitivni slučajevi podijeljeni sa svim stvarnim pozitivnima. Ako filtar za prijevare uhvati 80 od 100 stvarnih slučajeva prijevare, njegov je odziv 0,8. Visok odziv važan je kada su propušteni slučajevi skupi, primjerice u medicinskoj dijagnostici. Budući da zanemaruje lažne uzbune, obično se promatra zajedno s preciznošću, primjerice u F-mjeri.
Matrica zabune (confusion matrix) tablica je koja uspoređuje predviđanja klasifikatora sa stvarnim klasama. Za dvije klase prikazuje istinito pozitivne, lažno pozitivne, istinito negativne i lažno negativne slučajeve. Iz toga se mogu izračunati metrike poput preciznosti, odziva i F1 mjere te postaje jasno koje se pogreške javljaju. Primjer: filtar za spam koji mnoge prave e-poruke označi kao spam ima mnogo lažno pozitivnih, što je često skuplje od propuštene spam poruke.
Površina ispod krivulje (AUC) metrika je za klasifikacijske modele, a obično se odnosi na ROC krivulju. Pokazuje koliko dobro model razdvaja pozitivne od negativnih slučajeva, neovisno o određenom pragu. Vrijednost 1 znači savršeno razdvajanje; 0,5 nije bolje od pogađanja. Primjer: model odlaska klijenata s AUC-om od 0,85 u 85 % slučajeva nasumično odabranog klijenta koji odlazi rangira kao rizičnijeg od lojalnog.
Točnost top-k mjeri koliko se često točan odgovor nalazi među k najvjerojatnijih prijedloga modela. Kod top-1 računa se samo prvo predviđanje; kod top-5 dovoljno je da se točna klasa nalazi među pet najboljih, što je poznata metrika iz benchmarkova za prepoznavanje slika poput ImageNeta. Korisna je svugdje gdje korisnici vide više prijedloga, primjerice kod preporuka proizvoda ili automatskog dovršavanja.
