Deep Learning Academy · leksjon

Presisjon, recall, F1 og ROC-AUC

Gå utover nøyaktighet i reell evaluering

Leksjon 1 av 413 trinn

Presisjon, recall, F1 og ROC-AUC er en gratis leksjon i Deep Learning Academy på CoddyKit. Dette er leksjon 1 av 4. Du kan lese hele leksjonen gratis nedenfor – og deretter øve praktisk i nettleseren med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt. Den er en del av læringsløpet i Deep Learning Academy, og fremdriften din synkroniseres mellom nettet og CoddyKit-appen. Kurset i Deep Learning Academy inneholder totalt 4 leksjoner.

Nøyaktighet kan bedra

Når én klasse dominerer, kan nøyaktighet se imponerende ut selv for en ubrukelig modell. Du trenger mer presise måltall for å vurdere den faktiske ytelsen.

De fire utfallene

Hver prediksjon er en sann positiv, sann negativ, falsk positiv eller falsk negativ. Disse fire antallene danner grunnlaget for alle mer avanserte måltall.

Presisjon: Stol på de positive

Presisjon spør: Av alt du markerte som positivt, hvor mye var faktisk positivt? Høy presisjon betyr få falske alarmer.

precision = tp / (tp + fp)

Recall: Finn dem alle

Recall spør: Av alle de faktiske positive tilfellene, hvor mange fant du? Høy recall betyr få oversette tilfeller.

recall = tp / (tp + fn)

Avveiningen

Hvis du øker presisjonen, synker recall ofte, og omvendt. Den riktige balansen avhenger av kostnaden ved hver type feil.

F1: Ett balansert måltall

F1-måltallet er det harmoniske gjennomsnittet av presisjon og recall. Det belønner modeller som holder begge på et rimelig høyt nivå.

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

Terskler flytter grensen

En klassifikator gir ut en sannsynlighet; terskelen avgjør positiv eller negativ. Når du flytter den, endres forholdet mellom presisjon og recall.

ROC-kurven

ROC-kurven plotter sann positiv-rate mot falsk positiv-rate for alle terskler, og viser hele avveiningen på én gang.

ROC-AUC i ett tall

ROC-AUC er arealet under kurven. Det oppsummerer kvaliteten på rangeringen i ett terskelfritt tall fra null til én.

from sklearn.metrics import roc_auc_score

Tolk AUC-verdier

En AUC på 0,5 tilsvarer tilfeldige gjetninger, mens 1,0 betyr perfekt separasjon. Høyere verdi betyr at modellen rangerer positive tilfeller godt over negative.

Velg et passende måltall

Velg måltallet ut fra oppgaven: recall for sykdomsscreening, presisjon for spamfiltre og AUC for rangeringskvalitet.

Rask sjekk

Tenk over hvilket måltall som teller hvor mange faktiske positive tilfeller du fant.

Besvar den i den interaktive leksjonen

Oppsummering

Gå lenger enn nøyaktighet med presisjon, recall, F1 og ROC-AUC. Hvert måltall svarer på et forskjellig spørsmål, så velg måltall etter målet ditt. 🎯

Gratis å komme i gang

Lær deg Python med en AI-veileder – gratis

Skriv og kjør ekte kode i nettleseren, få umiddelbar hjelp fra en AI-veileder som er tilgjengelig døgnet rundt, og fortsett der du slapp – på nettet eller i appen.

Kurs: 30
Leksjoner: 120

Start læringen gratis Se hele kurset

Ofte stilte spørsmål

Er leksjonen «Presisjon, recall, F1 og ROC-AUC» gratis?

Ja – hele teksten i «Presisjon, recall, F1 og ROC-AUC» er gratis å lese her på nettet. For å øve interaktivt med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt, og for å låse opp resten av Deep Learning Academy-kurset, kan du oppgradere til CoddyKit PRO. Kurset i Deep Learning Academy inneholder totalt 4 leksjoner.

Hva lærer jeg i «Presisjon, recall, F1 og ROC-AUC»?

Gå utover nøyaktighet i reell evaluering Du øver på Deep Learning Academy med praktisk kode som du kjører direkte i nettleseren, mens en AI-veileder som er tilgjengelig døgnet rundt, svarer på spørsmålene dine mens du jobber deg gjennom leksjonen.

Trenger jeg erfaring for å begynne med Deep Learning Academy?

Ingen tidligere erfaring er nødvendig. Deep Learning Academy på CoddyKit er lagt opp for både nybegynnere og viderekomne, så De kan begynne her eller helt fra start og lære i Deres eget tempo. Dette er leksjon 1 av 4.

Hvor lang tid tar leksjonen «Presisjon, recall, F1 og ROC-AUC»?

De fleste CoddyKit-leksjoner tar omtrent 5–10 minutter. Hver leksjon er kort og interaktiv, slik at De gjør jevne fremskritt og kan fortsette akkurat der De slapp – både på nettet og i appen.

Kan jeg skrive og kjøre kode i denne Deep Learning Academy-leksjonen?

Ja. Alle Deep Learning Academy-leksjoner har en innebygd kodeeditor, slik at De kan skrive og kjøre ekte kode direkte i nettleseren og få umiddelbar tilbakemelding fra AI – uten lokal konfigurering.

Alle leksjonene i dette kurset

← Tilbake til Deep Learning Academy