Słownik pojęć

Czułość (recall) w uczeniu maszynowym

Czym jest Czułość (recall) w uczeniu maszynowym?

Czułość (recall, nazywana też sensitivity lub wskaźnikiem prawdziwie pozytywnych) mierzy, jaką część rzeczywistych przypadków pozytywnych wykrywa model: poprawnie rozpoznane przypadki pozytywne podzielone przez wszystkie rzeczywiste przypadki pozytywne. Jeśli filtr oszustw wychwytuje 80 ze 100 rzeczywistych oszustw, jego czułość wynosi 0,8. Wysoka czułość ma znaczenie tam, gdzie pominięte przypadki są kosztowne, na przykład w diagnostyce medycznej. Ponieważ pomija fałszywe alarmy, zwykle rozpatruje się ją razem z precyzją, na przykład we wskaźniku F.

Tematy

metryka
ocena modeli
klasyfikacja

Wypróbuj KI.ordo

Agenci, przepływy i szablony w jednym obszarze roboczym – bezpłatne demo na 24 godziny.

Uruchom demo

← Wszystkie pojęcia

Powiązane pojęcia

Miara F (F1)

Miara F to metryka do oceny modeli klasyfikacyjnych. Powszechna miara F1 jest średnią harmoniczną precyzji (ile spośród przewidzianych trafień jest poprawnych) i czułości (ile rzeczywistych trafień znaleziono) i przyjmuje wartości od 0 do 1. Jest szczególnie użyteczna przy danych niezrównoważonych: filtr spamu, który prawie nigdy nie oznacza spamu, może mieć wysoką dokładność, ale niską miarę F1.

Metryka oceny
Klasyfikacja
+1

Macierz pomyłek

Macierz pomyłek (confusion matrix) to tabela porównująca przewidywania klasyfikatora z rzeczywistymi klasami. Dla dwóch klas pokazuje wyniki prawdziwie pozytywne, fałszywie pozytywne, prawdziwie negatywne i fałszywie negatywne. Na jej podstawie można obliczyć metryki takie jak precyzja, czułość i miara F1 oraz zobaczyć, jakie błędy występują. Przykład: filtr spamu, który oznacza wiele prawdziwych e-maili jako spam, ma wiele wyników fałszywie pozytywnych, co bywa kosztowniejsze niż pominięty spam.

Ocena modelu
Klasyfikacja
+1

Krzywa ROC

Krzywa ROC (receiver operating characteristic) pokazuje, jak dobrze model klasyfikacyjny rozdziela dwie klasy. Dla każdego możliwego progu decyzyjnego przedstawia odsetek prawdziwie pozytywnych (czułość) w stosunku do odsetka fałszywie pozytywnych. Im bliżej lewego górnego rogu biegnie krzywa, tym lepiej; przekątna odpowiada czystemu zgadywaniu. Pole pod nią (AUC) streszcza krzywą w jednej liczbie i pomaga na przykład przy porównywaniu różnych modeli wykrywania oszustw.

metryka
ocena modeli
+1

Średnia precyzja uśredniona (mAP)

Średnia precyzja uśredniona (mean average precision, mAP) to metryka oceniająca, jak dobrze system znajduje trafne wyniki i umieszcza je blisko szczytu listy. Średnią precyzję oblicza się na liście wyników dla każdego zapytania lub klasy obiektów; mAP jest średnią ze wszystkich. Jest standardową miarą dla wyszukiwarek, systemów rekomendacji i wykrywania obiektów na obrazach, gdzie zależy też od wymaganego nakładania się ramek ograniczających.

metryka
wyszukiwanie
+1