Deep Learning Academy · Oppitunti

Precision, Recall, F1 ja ROC-AUC

Tarkkuuden lisäksi todellista arviointia varten

Oppitunti 1/413 vaihetta

Precision, Recall, F1 ja ROC-AUC on ilmainen Deep Learning Academy-oppitunti CoddyKitissä. Tämä on oppitunti 1/4. Voit lukea koko oppitunnin alta ilmaiseksi ja harjoitella sen jälkeen käytännössä selaimessa sisäänrakennetulla koodieditorilla ja ympäri vuorokauden käytettävissä olevan tekoälytuutorin avulla. Oppitunti kuuluu Deep Learning Academy-oppimispolkuun, ja edistymisesi synkronoituu verkon ja CoddyKit-sovelluksen välillä. Deep Learning Academy-kurssilla on yhteensä 4 oppituntia.

Tarkkuus voi johtaa harhaan

Kun yksi luokka hallitsee aineistoa, tarkkuus näyttää hyvältä jopa hyödyttömällä mallilla. Tarvitsette tarkempia mittareita todellisen suorituskyvyn arviointiin.

Neljä lopputulosta

Jokainen ennuste on oikein positiivinen, oikein negatiivinen, väärin positiivinen tai väärin negatiivinen. Nämä neljä lukumäärää muodostavat kaikkien monipuolisempien mittareiden perustan.

Precision: luota positiivisiin

Precision kysyy: kuinka moni kaikista positiivisiksi merkitsemistänne oli todella positiivinen? Korkea precision tarkoittaa, että vääriä hälytyksiä on vähän.

precision = tp / (tp + fp)

Recall: löydä kaikki

Recall kysyy: kuinka monta kaikista todellisista positiivisista tapauksista löysitte? Korkea recall tarkoittaa, että huomaamatta jääneitä tapauksia on vähän.

recall = tp / (tp + fn)

Tasapainottelu

Kun nostatte precision-arvoa, recall usein laskee, ja päinvastoin. Oikea tasapaino riippuu siitä, kuinka kalliita erityyppiset virheet ovat.

F1: yksi tasapainotettu pistemäärä

F1-pistemäärä on precisionin ja recallin harmoninen keskiarvo. Se suosii malleja, jotka pitävät molemmat kohtuullisen korkeina.

f1 = 2 * p * r / (p + r)

Kynnysarvot muuttavat rajaa

Luokitin tuottaa todennäköisyyden; kynnysarvo ratkaisee, tulkitaanko tulos positiiviseksi vai negatiiviseksi. Sen siirtäminen muuttaa precisionin ja recallin välistä suhdetta.

ROC-käyrä

ROC-käyrä esittää todellisten positiivisten osuuden suhteessa väärien positiivisten osuuteen jokaisella kynnysarvolla ja näyttää koko kompromissin yhdellä silmäyksellä.

ROC-AUC yhtenä lukuna

ROC-AUC on tämän käyrän alle jäävä pinta-ala. Se kuvaa järjestämisen laatua yhdellä kynnysarvosta riippumattomalla luvulla nollan ja yhden välillä.

from sklearn.metrics import roc_auc_score

AUC-arvojen tulkinta

AUC-arvo 0,5 tarkoittaa satunnaista arvaamista, kun taas 1,0 tarkoittaa täydellistä erottelua. Suurempi arvo tarkoittaa, että malli järjestää positiiviset tapaukset hyvin negatiivisten yläpuolelle.

Valitkaa tarkoitukseen sopiva mittari

Valitkaa mittari tehtävän mukaan: recall sairausseulontaan, precision roskapostisuodattimiin ja AUC järjestämisen laadun arviointiin.

Pikatarkistus

Pohtikaa, mikä mittari kertoo, kuinka monta todellista positiivista tapausta löysitte onnistuneesti.

Vastaa interaktiivisessa oppitunnissa

Kertaus

Menetkää tarkkuutta pidemmälle käyttämällä precisionia, recallia, F1:tä ja ROC-AUC:tä. Kukin vastaa eri kysymykseen, joten yhdistäkää mittari tavoitteeseenne. 🎯

Aloita maksutta

Opi Python tekoälytuutorin avulla — ilmaiseksi

Kirjoita ja suorita oikeaa koodia selaimessa, saa välitöntä apua tekoälytuutorilta ympäri vuorokauden ja jatka siitä, mihin jäit, verkossa tai sovelluksessa.

Kurssit: 30
Oppitunnit: 120

Aloita opiskelu maksutta Näytä koko kurssi

Usein kysytyt kysymykset

Onko oppitunti ”Precision, Recall, F1 ja ROC-AUC” ilmainen?

Kyllä – oppitunnin ”Precision, Recall, F1 ja ROC-AUC” koko tekstin voi lukea täällä verkossa ilmaiseksi. Jos haluat harjoitella interaktiivisesti sisäänrakennetulla koodieditorilla ja ympäri vuorokauden käytettävissä olevan tekoälytuutorin avulla sekä avata koko Deep Learning Academy-kurssin, päivitä CoddyKit PROhon. Deep Learning Academy-kurssilla on yhteensä 4 oppituntia.

Mitä opin oppitunnilla ”Precision, Recall, F1 ja ROC-AUC”?

Tarkkuuden lisäksi todellista arviointia varten Harjoittelet Deep Learning Academy-aihetta koodilla, jonka suoritat suoraan selaimessa. Ympäri vuorokauden käytettävissä oleva tekoälytuutori vastaa kysymyksiisi oppitunnin aikana.

Tarvitsenko kokemusta aloittaakseni Deep Learning Academy-opiskelun?

Aiempi kokemus ei ole tarpeen. CoddyKitin Deep Learning Academy-oppimispolku sopii vasta-alkajista edistyneisiin, joten voit aloittaa tästä tai alusta ja edetä omaan tahtiisi. Tämä on oppitunti 1/4.

Kuinka kauan ”Precision, Recall, F1 ja ROC-AUC”-oppitunnin suorittaminen kestää?

Useimmat CoddyKitin oppitunnit kestävät noin 5–10 minuuttia. Jokainen oppitunti on lyhyt ja interaktiivinen, joten edistyt tasaisesti ja voit jatkaa siitä, mihin jäit – sekä verkossa että sovelluksessa.

Voinko kirjoittaa ja suorittaa koodia tällä Deep Learning Academy-oppitunnilla?

Kyllä. Jokainen Deep Learning Academy-oppitunti sisältää sisäänrakennetun koodieditorin, joten voit kirjoittaa ja suorittaa oikeaa koodia suoraan selaimessa ja saada välitöntä palautetta tekoälyltä – paikallista asennusta ei tarvita.

Kaikki tämän kurssin oppitunnit

← Takaisin: Deep Learning Academy