F balas yra klasifikavimo modeliams vertinti skirtas rodiklis. Įprastas F1 balas – tai tikslumo (kiek prognozuotų pataikymų yra teisingi) ir pilnumo (kiek tikrų pataikymų rasta) harmoninis vidurkis, kintantis nuo 0 iki 1. Jis ypač naudingas nesubalansuotų duomenų atveju: šlamšto filtras, kuris beveik niekada nežymi šlamšto, gali turėti aukštą tikslumą (accuracy), bet žemą F1 balą.
Agentai, srautai ir šablonai vienoje darbo srityje – nemokama 24 valandų demonstracinė versija.
Pradėti demonstracijąAtkūrimas (angl. recall, dar vadinamas jautrumu ar tikrųjų teigiamų atvejų dažniu) parodo, kokią tikrųjų teigiamų atvejų dalį modelis aptinka: teisingai atpažinti teigiami atvejai, padalyti iš visų tikrų teigiamų atvejų. Jei sukčiavimo filtras pagauna 80 iš 100 tikrų sukčiavimo atvejų, jo atkūrimas yra 0,8. Didelis atkūrimas svarbus, kai praleisti atvejai brangiai kainuoja, pavyzdžiui, medicininėje diagnostikoje. Kadangi jis nepaiso klaidingų aliarmų, paprastai vertinamas kartu su tikslumu (precision), pavyzdžiui, F rodiklyje.
Klaidų matrica – tai lentelė, lyginanti klasifikatoriaus prognozes su tikromis klasėmis. Dviejų klasių atveju ji rodo teisingai teigiamus, klaidingai teigiamus, teisingai neigiamus ir klaidingai neigiamus atvejus. Iš jos galima apskaičiuoti tokius rodiklius kaip tikslumas (precision), pilnumas (recall) ir F1 balas, ir tampa aišku, kokių klaidų pasitaiko. Pavyzdys: šlamšto filtras, daug tikrų el. laiškų pažymintis kaip šlamštą, turi daug klaidingai teigiamų atvejų, o tai dažnai kainuoja brangiau nei praleistas šlamštas.
Plotas po kreive (angl. area under the curve, AUC) yra klasifikavimo modelių rodiklis, paprastai susijęs su ROC kreive. Jis parodo, kaip gerai modelis atskiria teigiamus ir neigiamus atvejus, nepriklausomai nuo konkretaus slenksčio. Reikšmė 1 reiškia tobulą atskyrimą; 0,5 – ne geriau nei spėjimas. Pavyzdys: klientų nutekėjimo modelis, kurio AUC yra 0,85, atsitiktinai pasirinktą išeinantį klientą 85 % atvejų įvertina kaip rizikingesnį nei ištikimą.
Top-k tikslumas parodo, kaip dažnai teisingas atsakymas patenka tarp k labiausiai tikėtinų modelio pasiūlymų. Esant top-1 skaičiuojama tik pirmoji prognozė; esant top-5 pakanka, kad teisinga klasė būtų tarp penkių geriausių – tai gerai žinoma metrika iš vaizdų atpažinimo etalonų, tokių kaip ImageNet. Ji naudinga visur, kur naudotojai mato kelis pasiūlymus, pavyzdžiui, produktų rekomendacijose ar automatiniame užbaigime.
