რა არის TPR და FPR? როგორ არიან ისინი დაკავშირებული სიზუსტესთან და recall-თან?

TPR (სინამდვილე დადებითი მაჩვენებელი) და FPR (ყალბი დადებითი მაჩვენებელი) არის მეტრიკები, რომლებიც გამოიყენება ბინარული კლასიფიკაციის ხარისხის შეფასებისთვის.

• TPR (სენსიტიურობა, recall) — სწორი პროგნოზირებული დადებითი შემთხვევების წილი ყველა რეალურ დადებითზე:

  [ TPR = \frac{TP}{TP + FN} ]

• FPR — შეცდომით პროგნოზირებული დადებითი შემთხვევების წილი ყველა რეალურ უარყოფითზე:

  [ FPR = \frac{FP}{FP + TN} ]

აქ TP არის რეალური დადებითი, FP არის ყალბი დადებითი, FN არის ყალბი უარყოფითი, TN არის რეალური უარყოფითი.

სიზუსტე — სწორი პროგნოზირებული დადებითი შემთხვევების წილი ყველა პროგნოზირებულ დადებითზე:

[ სიზუსტე = \frac{TP}{TP + FP} ]

მათ შორის კავშირი:

• Recall და TPR სინონიმებია.
• სიზუსტე და recall ეხმარება კლასიფიკაციის სრული და ზუსტი ბალანსის გაგებაში.

მაგალითი: თუ მოდელი ხშირად ცდება უარყოფით ობიექტებს დადებითად კლასიფიკაციაში (მაღალი FPR), სიზუსტე მცირდება, რადგან FP ბევრი ხდება. თუ მოდელი ბევრ დადებითს გამოტოვებს (დაბალი TPR/recall), სრულიობა ზარალდება.