Precisie, recall en F1
Afwegen van verschillende soorten fouten
Precisie, recall en F1 is een gratis Data Science Academy-les op CoddyKit. Dit is les 3 van 4. Je kunt de volledige les hieronder gratis lezen en daarna in de browser praktisch oefenen met een ingebouwde code-editor en een AI-begeleider die 24/7 beschikbaar is. Deze les maakt deel uit van het leertraject Data Science Academy. Je voortgang wordt gesynchroniseerd op het web en in de CoddyKit-app. De cursus Data Science Academy bevat in totaal 4 lessen.
Waarom nauwkeurigheid tekortschiet
Wanneer één klasse zeldzaam is, kan de nauwkeurigheid er geweldig uitzien terwijl het model alles mist wat belangrijk is. Je hebt scherpere metrieken nodig, zoals precisie en terugvindkans. 🎯
Precisie gedefinieerd
Precisie vraagt: van alle gevallen die ik als positief markeerde, hoeveel waren echt positief? Het meet hoe betrouwbaar een ja werkelijk is.
precision = TP / (TP + FP)Wanneer precisie belangrijk is
Een hoge precisie is belangrijk wanneer valse alarmen kostbaar zijn, bijvoorbeeld wanneer je een echte e-mail als spam markeert. Je wilt dat elke markering correct is.
Terugvindkans gedefinieerd
De terugvindkans vraagt: van alle werkelijk positieve gevallen, hoeveel heb ik gevonden? Het meet hoe goed het model voorkomt dat het gevallen mist.
recall = TP / (TP + FN)Wanneer terugvindkans belangrijk is
Een hoge terugvindkans is belangrijk wanneer gemiste gevallen gevaarlijk zijn, bijvoorbeeld bij het opsporen van een ziekte. Elk echt geval vinden weegt zwaarder dan enkele valse alarmen.
Het spanningsveld
Precisie en terugvindkans werken meestal tegen elkaar in. Markeer je meer gevallen, dan vind je er meer, maar neemt het aantal valse alarmen toe. Het is een afweging.
De F1-score
De F1-score combineert precisie en terugvindkans tot één getal met hun harmonisch gemiddelde. Modellen die beide goed in balans brengen, worden beloond.
f1 = 2 * (precision * recall) / (precision + recall)Waarom het harmonisch gemiddelde
De F1 gebruikt een harmonisch gemiddelde, zodat een lage score aan één kant de totale score omlaag trekt. Je kunt de score niet kunstmatig hoog maken door slechts één metriek uitstekend te laten zijn.
Alles in één aanroep
Je hoeft deze waarden niet handmatig te berekenen. Het classificatierapport toont precisie, terugvindkans en F1 voor elke klasse tegelijk.
from sklearn.metrics import classification_report
print(classification_report(y_true, y_pred))Kies de te optimaliseren metriek
Laat het probleem de keuze bepalen. Optimaliseer terugvindkans wanneer gemiste gevallen schadelijk zijn, precisie wanneer valse alarmen schadelijk zijn en F1 wanneer je een balans nodig hebt.
Let op het middelen
Kies bij veel klassen hoe je het gemiddelde wilt berekenen. Macro behandelt klassen gelijk, terwijl gewogen middelen rekening houdt met de klassengrootte. De keuze verandert het verhaal.
f1_score(y_true, y_pred, average='macro')Korte controle
Laten we zorgen dat precisie en terugvindkans goed in je geheugen blijven.
Samenvatting
Precisie vertrouwt op je ja, terugvindkans vindt de positieve gevallen en F1 brengt beide in balans. Laat de kosten van elke fout je keuze bepalen. 🎯
Leer Python met een AI-tutor — gratis
Schrijf echte code en voer die uit in je browser, krijg direct hulp van een AI-tutor die 24/7 beschikbaar is en ga verder waar je gebleven bent op het web of in de app.
- Cursussen
- 30
- Lessen
- 120
Veelgestelde vragen
Is de les “Precisie, recall en F1” gratis?
Ja — de volledige tekst van “Precisie, recall en F1” kun je hier gratis op het web lezen. Als je interactief wilt oefenen met een ingebouwde code-editor en een AI-begeleider die 24/7 beschikbaar is, en de rest van de cursus Data Science Academy wilt ontgrendelen, kun je upgraden naar CoddyKit PRO. De cursus Data Science Academy bevat in totaal 4 lessen.
Wat leer ik in “Precisie, recall en F1”?
Afwegen van verschillende soorten fouten Je oefent met Data Science Academy door code rechtstreeks in de browser uit te voeren. Een AI-begeleider die 24/7 beschikbaar is beantwoordt je vragen terwijl je de les doorwerkt.
Heb ik ervaring nodig om met Data Science Academy te beginnen?
Ervaring vooraf is niet nodig. Data Science Academy op CoddyKit is opgebouwd voor beginners tot gevorderden, zodat je hier of bij het begin kunt starten en in je eigen tempo kunt leren. Dit is les 3 van 4.
Hoe lang duurt de les “Precisie, recall en F1”?
De meeste lessen van CoddyKit duren ongeveer 5–10 minuten. Elke les is kort en interactief, zodat je gestaag vooruitgaat en op het web en in de app precies verdergaat waar je was gebleven.
Kan ik code schrijven en uitvoeren in deze les over Data Science Academy?
Ja. Elke les over Data Science Academy bevat een ingebouwde code-editor, zodat je rechtstreeks in je browser echte code kunt schrijven en uitvoeren en direct feedback van AI krijgt — lokale installatie is niet nodig.
Alle lessen in deze cursus
- Regressiemetrieken: MAE, MSE en R2
- De confusion matrix ontrafeld
- Precisie, recall en F1
- ROC, AUC en drempels