Точность, полнота, F1 и ROC-AUC
Оценивайте модель не только по точности
«Точность, полнота, F1 и ROC-AUC» — бесплатный урок Deep Learning Academy на CoddyKit. Это урок 1 из 4. Ты можешь прочитать весь урок бесплатно ниже — а потом практиковать его прямо в браузере с встроенным редактором кода и ИИ-репетитором 24/7. Это часть пути обучения Deep Learning Academy, и твой прогресс синхронизируется между веб-версией и приложением CoddyKit. Курс Deep Learning Academy содержит 4 уроков всего.
Части этого урока еще не переведены и отображаются на английском.
Accuracy Can Lie
When one class dominates, accuracy looks great even for a useless model. You need sharper metrics to judge real performance.
The Four Outcomes
Every prediction is a true positive, true negative, false positive, or false negative. These four counts power every richer metric.
Precision: Trust the Positives
Precision asks: of everything you flagged positive, how many truly were? High precision means few false alarms.
precision = tp / (tp + fp)Recall: Catch Them All
Recall asks: of all the real positives, how many did you catch? High recall means few missed cases.
recall = tp / (tp + fn)The Tradeoff
Push precision up and recall often drops, and the reverse. The right balance depends on the cost of each kind of mistake.
F1: One Balanced Score
The F1 score is the harmonic mean of precision and recall. It rewards models that keep both reasonably high.
f1 = 2 * p * r / (p + r)Thresholds Move the Line
A classifier outputs a probability; the threshold decides positive versus negative. Sliding it reshapes precision and recall.
The ROC Curve
The ROC curve plots true positive rate against false positive rate across every threshold, showing the full tradeoff at a glance.
ROC-AUC in One Number
ROC-AUC is the area under that curve. It captures ranking quality with one threshold-free number from zero to one.
from sklearn.metrics import roc_auc_scoreReading AUC Values
An AUC of 0.5 is random guessing, while 1.0 is perfect separation. Higher means the model ranks positives above negatives well.
Pick the Metric That Fits
Choose your metric by the task: recall for disease screening, precision for spam filters, AUC for ranking quality.
Quick Check
Think about which metric counts how many real positives you successfully caught.
Recap
Go beyond accuracy with precision, recall, F1, and ROC-AUC. Each answers a different question, so match the metric to your goal. 🎯
Часто задаваемые вопросы
Урок «Точность, полнота, F1 и ROC-AUC» бесплатный?
Да — полный текст урока «Точность, полнота, F1 и ROC-AUC» бесплатно доступен здесь в веб-версии. Чтобы практиковать его интерактивно (встроенный редактор кода и ИИ-репетитор 24/7) и разблокировать остальной курс Deep Learning Academy, подпишись на CoddyKit PRO. Курс Deep Learning Academy содержит 4 уроков всего.
Чему я научусь в уроке «Точность, полнота, F1 и ROC-AUC»?
Оценивайте модель не только по точности Ты практикуешь Deep Learning Academy с помощью реального кода, который запускаешь прямо в браузере, и ИИ-репетитор 24/7 отвечает на твои вопросы во время урока.
Нужен ли мне опыт, чтобы начать Deep Learning Academy?
Предыдущий опыт не требуется. Deep Learning Academy на CoddyKit структурирован для всех уровней — от новичков до продвинутых, поэтому ты можешь начать отсюда или с самого начала и учиться в своем темпе. Это урок 1 из 4.
Сколько времени занимает урок «Точность, полнота, F1 и ROC-AUC»?
Большинство уроков CoddyKit занимают около 5–10 минут. Каждый из них компактный и интерактивный, поэтому ты постоянно делаешь прогресс и продолжаешь с того же места в веб-версии и приложении.
Можно ли писать и запускать код в этом уроке Deep Learning Academy?
Да. Каждый урок Deep Learning Academy включает встроенный редактор кода, поэтому ты пишешь и запускаешь реальный код прямо в браузере и получаешь моментальную обратную связь от AI — локальная установка не требуется.
Все уроки этого курса
- Точность, полнота, F1 и ROC-AUC
- Матрицы ошибок и анализ ошибок
- Grad-CAM: посмотрите, на что смотрит модель
- Калибруйте уверенность