Presisi, Recall, dan F1

Untuk melihat melampaui akurasi, bagi hasil menjadi empat kelompok untuk setiap kelas. Dari kelompok tersebut diperoleh presisi, recall, dan F1, yaitu metrik yang penting.

Pilih kelas yang Anda pedulikan sebagai positif, seperti spam atau penipuan. Presisi dan recall sama-sama menjelaskan seberapa baik Anda menangani kelas tersebut.

Presisi bertanya: dari semua hal yang Anda tandai sebagai positif, berapa banyak yang benar-benar positif? Presisi tinggi berarti hanya ada sedikit alarm palsu.

Recall bertanya: dari semua positif yang sebenarnya, berapa banyak yang berhasil Anda tangkap? Recall tinggi berarti hanya sedikit yang terlewat.

Presisi dan recall biasanya harus saling dikorbankan. Tandai lebih banyak item, recall meningkat tetapi presisi menurun; tandai lebih sedikit, dan sebaliknya.

Filter spam mengutamakan presisi karena salah membuang email yang sebenarnya penting akan merugikan. Pemeriksaan kanker mengutamakan recall karena kasus yang terlewat jauh lebih berbahaya.

Skor F1 menggabungkan presisi dan recall menjadi satu angka menggunakan rata-rata harmonis, sehingga model yang baik pada keduanya mendapat penghargaan.

F1 menggunakan rata-rata harmonis sehingga model tidak dapat berpura-pura memiliki kinerja baik. Jika presisi atau recall mendekati nol, F1 juga tetap rendah.

scikit-learn mencetak ketiganya sekaligus melalui laporan klasifikasi yang rapi dan dapat Anda periksa untuk setiap kelas.

Anda juga dapat mengambil satu metrik secara langsung ketika hanya memerlukan F1 untuk kelas positif.

Tidak ada metrik yang terbaik dalam semua situasi. Pilih presisi, recall, atau F1 berdasarkan biaya nyata dari setiap kesalahan dalam masalah Anda.

Presisi membatasi alarm palsu, recall membatasi kasus yang terlewat, dan F1 menyeimbangkan keduanya. Biarkan biaya setiap kesalahan menentukan metrik Anda. 📊