Kas ir TPR un FPR? Kā tie ir saistīti ar precizitāti un recall?

TPR (Paties pozitīvo likme) un FPR (Nepatiesi pozitīvo likme) ir metrikas, kas tiek izmantotas binārās klasifikācijas kvalitātes novērtēšanai.

• TPR (jūtība, recall) — pareizi prognozēto pozitīvo gadījumu daļa no visiem reāliem pozitīvajiem:

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

• FPR — nepareizi prognozēto pozitīvo gadījumu daļa no visiem reāliem negatīvajiem:

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

Šeit TP ir patiesie pozitīvie, FP ir maldīgie pozitīvie, FN ir maldīgie negatīvie, TN ir patiesie negatīvie.

Precizitāte — pareizi prognozēto pozitīvo gadījumu daļa no visiem prognozētajiem kā pozitīviem:

[ Precizitāte = \frac{TP}{TP + FP} ]

To starpība:

• Recall un TPR ir sinonīmi.
• Precizitāte un recall palīdz saprast līdzsvaru starp pilnīgumu un precizitāti klasifikācijā.

Piemērs: Ja modelis bieži kļūdaini klasificē negatīvus objektus kā pozitīvus (augsts FPR), precizitāte samazinās, jo ir daudz FP. Ja modelis izlaida daudz pozitīvu (zems TPR/recall), pilnīgums cieš.