Precision, recall, F1 e ROC-AUC
Oltre l'accuratezza per una valutazione reale
Precision, recall, F1 e ROC-AUC è una lezione Deep Learning Academy gratuita su CoddyKit. Questa è la lezione 1 di 4. Puoi leggere la lezione completa qui gratuitamente — poi esercitati direttamente nel browser con un editor di codice integrato e un tutor IA disponibile 24/7. Fa parte del percorso di apprendimento Deep Learning Academy, e i tuoi progressi si sincronizzano tra il web e l'app CoddyKit. Il corso Deep Learning Academy include 4 lezioni in totale.
L'accuratezza può ingannare
Quando una classe prevale sulle altre, l'accuratezza può sembrare ottima anche per un modello inutile. Servono metriche più precise per valutare le prestazioni reali.
I quattro risultati
Ogni previsione è un vero positivo, un vero negativo, un falso positivo oppure un falso negativo. Questi quattro conteggi alimentano tutte le metriche più avanzate.
Precisione: fidarsi dei positivi
La precisione chiede: tra tutti i casi segnalati come positivi, quanti lo erano davvero? Una precisione elevata significa pochi falsi allarmi.
precision = tp / (tp + fp)Recall: trovarli tutti
Il recall chiede: tra tutti i positivi reali, quanti ne ha individuati? Un recall elevato significa pochi casi non rilevati.
recall = tp / (tp + fn)Il compromesso
Aumentando la precisione, spesso il recall diminuisce, e viceversa. Il giusto equilibrio dipende dal costo di ciascun tipo di errore.
F1: un unico punteggio equilibrato
Il punteggio F1 è la media armonica di precisione e recall. Premia i modelli che mantengono entrambi su valori ragionevolmente elevati.
f1 = 2 * p * r / (p + r)Le soglie spostano il confine
Un classificatore restituisce una probabilità; la soglia decide se il risultato è positivo o negativo. Spostandola, cambia il rapporto tra precisione e recall.
La curva ROC
La curva ROC rappresenta il tasso di veri positivi rispetto al tasso di falsi positivi per ogni soglia, mostrando a colpo d'occhio l'intero compromesso.
ROC-AUC in un solo numero
ROC-AUC è l'area sotto questa curva. Riassume la qualità dell'ordinamento con un unico numero indipendente dalla soglia, compreso tra zero e uno.
from sklearn.metrics import roc_auc_scoreInterpretare i valori AUC
Un'AUC pari a 0,5 corrisponde a una previsione casuale, mentre 1,0 indica una separazione perfetta. Un valore più alto significa che il modello ordina bene i positivi al di sopra dei negativi.
Scegliere la metrica adatta
Scelga la metrica in base al compito: recall per lo screening delle malattie, precisione per i filtri antispam, AUC per la qualità dell'ordinamento.
Verifica rapida
Rifletta su quale metrica conta quanti positivi reali è riuscito a individuare.
Riepilogo
Vada oltre l'accuratezza con precisione, recall, F1 e ROC-AUC. Ognuna risponde a una domanda diversa, quindi abbini la metrica al Suo obiettivo. 🎯
Impara Python con un tutor IA — gratis
Scrivi ed esegui vero codice nel tuo browser, ricevi aiuto istantaneo da un tutor IA disponibile 24/7, e riprendi da dove hai lasciato sul web o nell'app.
- Corsi
- 30
- Lezioni
- 120
Domande Frequenti
La lezione «Precision, recall, F1 e ROC-AUC» è gratuita?
Sì — il testo completo di «Precision, recall, F1 e ROC-AUC» è gratuito qui sul web. Per esercitarvi in modo interattivo (un editor di codice integrato e un tutor IA 24/7) e sbloccare il resto del corso Deep Learning Academy, passa a CoddyKit PRO. Il corso Deep Learning Academy include 4 lezioni in totale.
Cosa imparerò in «Precision, recall, F1 e ROC-AUC»?
Oltre l'accuratezza per una valutazione reale Eserciti Deep Learning Academy con codice pratico che esegui direttamente nel browser, e un tutor IA 24/7 risponde alle tue domande mentre lavori sulla lezione.
Ho bisogno di esperienza per iniziare Deep Learning Academy?
Non è richiesta alcuna esperienza precedente. Deep Learning Academy su CoddyKit è strutturato per principianti e studenti avanzati, quindi puoi iniziare da qui o dall'inizio e procedere al tuo ritmo. Questa è la lezione 1 di 4.
Quanto tempo richiede la lezione «Precision, recall, F1 e ROC-AUC»?
La maggior parte delle lezioni CoddyKit richiede circa 5–10 minuti. Ogni lezione è breve e interattiva, quindi fai progressi costanti e riprendi esattamente da dove hai lasciato su web e app.
Posso scrivere ed eseguire codice in questa lezione Deep Learning Academy?
Sì. Ogni lezione Deep Learning Academy include un editor di codice integrato, quindi scrivi ed esegui codice reale direttamente nel tuo browser e ricevi feedback istantaneo dall'IA — nessuna configurazione locale necessaria.
Tutte le lezioni di questo corso
- Precision, recall, F1 e ROC-AUC
- Matrici di confusione e analisi degli errori
- Grad-CAM: scopra cosa osserva il modello
- Calibrare la confidenza