Точность (precision): это метрика, которая оценивает способность модели идентифицировать только правильные положительные примеры. Точность вычисляется как отношение числа правильно предсказанных положительных примеров к общему числу положительных предсказаний.
Алгоритм вычисления точности (precision) на основе формулы precision = (число правильно предсказанных положительных примеров) / (общее число положительных предсказаний) может быть описан следующим образом:
3.1. Получение набора данных исходных примеров и соответствующих меток классов.
3.2. Применение модели или алгоритма классификации к каждому примеру из набора данных для получения предсказанных меток классов.
3.3. Сравнение предсказанных меток с исходными метками для определения числа правильно предсказанных положительных примеров.
3.4. Счетчик правильных положительных предсказаний
3.5. Счетчик общего числа положительных предсказаний
3.6. Для каждого примера в наборе данных:
– Проверка, является ли предсказанная метка положительной (т.е., модель считает пример положительным)
– Если предсказанная метка положительная, то:
– Увеличение счетчика общего числа положительных предсказаний на 1
– Проверка, является ли предсказанная метка правильной (т.е., совпадает ли с исходной меткой класса)
– Если предсказанная метка правильная, то:
– Увеличение счетчика правильных положительных предсказаний на 1
7. Вычисление точности путем деления числа правильно предсказанных положительных примеров на общее число положительных предсказаний.
Формула для вычисления точности выглядит следующим образом:
Точность = (число правильно предсказанных положительных примеров) / (общее число положительных предсказаний)
Например, если у нас есть следующие значения:
– Число правильных предсказаний положительных примеров = 80
– Общее число положительных предсказаний = 100
Тогда, для вычисления точности:
Точность = 80 / 100 = 0.8 или 80%
Алгоритм вычисления точности позволяет определить, насколько правильно модель идентифицирует только правильные положительные примеры. Оценка точности в сочетании с другими метриками, такими как полнота и F1-мера, обеспечивает более полное представление о производительности модели в задачах классификации.
4. F1-мера (F1-score): это комбинированная метрика, которая учитывает и точность, и полноту модели. F1-мера вычисляется как гармоническое среднее между точностью и полнотой и предоставляет сбалансированную оценку производительности модели.
Алгоритм вычисления F1-меры на основе формулы F1-Score = 2 * (precision * recall) / (precision + recall), где precision – это точность предсказания положительных примеров, а recall – это полнота предсказания положительных примеров, может быть описан следующим образом:
4.1. Получение набора данных исходных примеров и соответствующих меток классов.
4.2. Применение модели или алгоритма классификации к каждому примеру из набора данных для получения предсказанных меток классов.
4.3. Сравнение