Sorolja fel a bináris osztályozási modell minőségi metrikáit és azok különbségeit?
sobes.tech MI
Válasz az MI-től
A bináris osztályozási modell fő minőségi mutatói és azok különbségei:
-
Pontosság (Accuracy) — a helyesen osztályozott objektumok aránya (pozitív és negatív egyaránt). Jó kiegyensúlyozott osztályok esetén.
-
Pontosság (Precision) — a valódi pozitívak aránya az összes, pozitívnak jósolt példány között. Fontos, ha a hamis pozitív eredmények kritikusak.
-
Visszahívás (Recall) — a valódi pozitívak aránya, amelyeket a modell helyesen azonosított a valós pozitívak között. Fontos, hogy ne hagyjunk ki pozitív eseteket.
-
F1-score — a Precision és Recall harmonikus átlaga, kiegyensúlyozza mindkettőt.
-
ROC-AUC — a ROC-görbe alatti terület, mutatja a modell képességét a különböző küszöbértékeknél a osztályok megkülönböztetésére.
-
Log Loss (Logaritmikus veszteség) — a valószínűségi előrejelzések minőségének mérése, bünteti a magabiztos, de helytelen előrejelzéseket.
A metrika kiválasztása a feladattól függ: például, betegségdiagnosztikában a Visszahívás fontos, hogy ne hagyjunk ki betegeket, míg a spam esetében a Pontosság kritikus, hogy ne blokkoljunk normális e-maileket.