L’F-score è un indicatore per valutare i modelli di classificazione. La comune misura F1 è la media armonica tra precisione (quanti dei risultati trovati sono corretti) e richiamo, o recall (quanti dei casi reali sono stati trovati), e varia tra 0 e 1. È particolarmente utile con dati sbilanciati: un filtro antispam che non segnala quasi mai lo spam può avere un’accuratezza alta ma un F1 basso.
Agenti, flussi e modelli in un’unica area di lavoro – demo gratuita di 24 ore.
Avvia demoIl recall (sensibilità) misura quale quota dei casi realmente positivi un modello riconosce: positivi individuati correttamente diviso tutti i positivi reali. Se un filtro antifrode scopre 80 frodi su 100 reali, il recall è 0,8. Un recall alto è importante quando i casi mancati costano cari, ad esempio nelle diagnosi mediche. Poiché non considera i falsi allarmi, di solito si valuta insieme alla precisione, ad esempio nell'F-score.
Una matrice di confusione è una tabella che confronta le previsioni di un classificatore con le classi reali. Con due classi mostra veri positivi, falsi positivi, veri negativi e falsi negativi. Da questi valori si calcolano metriche come precisione, recall e F1 score e si capisce quali errori si verificano. Esempio: un filtro antispam che segnala come spam molte e-mail autentiche ha molti falsi positivi, spesso più costosi di uno spam non rilevato.
L’area sotto la curva (Area Under the Curve, AUC) è un indicatore per i modelli di classificazione, riferito di solito alla curva ROC. Esprime quanto bene un modello separa i casi positivi da quelli negativi, indipendentemente da una soglia specifica. Un valore di 1 indica una separazione perfetta, 0,5 equivale a tirare a indovinare. Esempio: un modello di abbandono con AUC 0,85 giudica più a rischio un cliente che se ne va rispetto a uno fedele nell’85% dei casi.
L'accuratezza top-k misura quanto spesso la risposta corretta si trova tra i k suggerimenti più probabili di un modello. Nel top-1 conta solo la prima previsione, nel top-5 basta che la classe corretta sia tra le prime cinque: una metrica nota dai benchmark di riconoscimento di immagini come ImageNet. È utile ovunque gli utenti vedano più proposte, ad esempio nei suggerimenti di prodotto o nel completamento automatico.
