Wybór progu i metryki
Optymalizuj pod kątem klasy, na której Ci zależy
Wybór progu i metryki to bezpłatna lekcja NLP Academy na CoddyKit. To lekcja 3 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej NLP Academy, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs NLP Academy zawiera 4 lekcji w sumie.
Części tej lekcji nie zostały jeszcze przetłumaczone i są wyświetlane po angielsku.
The Hidden Threshold
Classifiers output a probability, then a threshold turns it into a label. The default 0.5 is rarely best for rare classes.
Move the Line
Lowering the threshold flags more items as the rare class, catching more true cases at the cost of extra false alarms.
Get Probabilities First
To tune a cutoff you need scores, not just labels. Ask the model for the predicted probability of the positive class.
proba = clf.predict_proba(X_test)[:, 1]Precision or Recall?
Decide what hurts more. Missing rare cases means optimize recall; too many false alarms means favor precision.
F1 Balances Both
When you cannot pick a side, the F1 score blends precision and recall into one number worth maximizing.
The PR Curve
For skewed data the precision-recall curve tells the real story far better than an ROC curve does.
Sweep the Cutoffs
Try many cutoffs and watch how the trade-off shifts. The PR curve shows every precision-recall pair at once.
from sklearn.metrics import precision_recall_curve
p, r, t = precision_recall_curve(y, proba)Apply Your Chosen Cutoff
Once you pick a value, compare each probability to it. Above the line becomes the positive class, below becomes negative.
preds = (proba >= 0.3).astype(int)Beware ROC AUC
ROC AUC can look great on heavy imbalance even when precision is poor, so do not trust it alone here.
Tune on Validation Data
Choose your threshold on a held-out validation set, never on the test set, or your reported numbers will lie.
Metric Mirrors the Goal
The right metric reflects real-world cost. Let the business goal pick precision, recall, or F1, then tune to it. 🎯
Quick Check
Test your grip on thresholds.
Recap
Tune the threshold on validation data, prefer precision, recall, or F1 over accuracy, and trust the PR curve on skew. ✅
Często zadawane pytania
Czy lekcja „Wybór progu i metryki” jest bezpłatna?
Tak — pełny tekst „Wybór progu i metryki” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu NLP Academy, przejdź na CoddyKit PRO. Kurs NLP Academy zawiera 4 lekcji w sumie.
Co nauczysz się w „Wybór progu i metryki”?
Optymalizuj pod kątem klasy, na której Ci zależy Ćwiczysz NLP Academy z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.
Czy potrzebuję doświadczenia, aby zacząć NLP Academy?
Nie wymagamy żadnego doświadczenia. NLP Academy w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 3 z 4.
Ile czasu zajmuje lekcja „Wybór progu i metryki”?
Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.
Czy mogę pisać i uruchamiać kod w tej lekcji NLP Academy?
Tak. Każda lekcja NLP Academy zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.
Wszystkie lekcje w tym kursie
- Dlaczego rzadkie klasy są pomijane
- Resampling i wagi klas
- Wybór progu i metryki
- Kompletny potok dla niezrównoważonych danych