Præcision kan ses som et mål for kvalitet og tilbagekaldelse som et mål for kvantitet. Højere præcision betyder, at en algoritme returnerer mere relevante resultater end irrelevante, og høj tilbagekaldelse betyder, at en algoritme returnerer de fleste af de relevante resultater (uanset om irrelevante også returneres eller ej).
- Hvad er en god præcision og tilbagekaldelsesscore?
- Hvad fortæller en præcisions-tilbagekaldelseskurve dig?
- Hvad er en acceptabel F1 -score?
- Hvordan tolker du en F -score?
Hvad er en god præcision og tilbagekaldelsesscore?
Høj præcision vedrører den lave falsk positive rate. Vi har 0.788 præcision, hvilket er ret godt. Recall (følsomhed) - Recall er forholdet mellem korrekt forudsagte positive observationer til alle observationer i den faktiske klasse - ja.
Hvad fortæller en præcisions-tilbagekaldelseskurve dig?
Precision-Recall-kurver opsummerer afvejningen mellem den sande positive rate og den positive forudsigelsesværdi for en forudsigelsesmodel ved hjælp af forskellige sandsynlighedsgrænser.
Hvad er en acceptabel F1 -score?
En F1 -score betragtes som perfekt, når den er 1, mens modellen er en total fiasko, når den er 0 . Husk: Alle modeller er forkerte, men nogle er nyttige. Det vil sige, at alle modeller genererer nogle falske negativer, nogle falske positive og muligvis begge dele.
Hvordan tolker du en F -score?
Hvis du får en stor f -værdi (en, der er større end den F -kritiske værdi, der findes i en tabel), betyder det, at noget er signifikant, mens en lille p -værdi betyder, at alle dine resultater er signifikante. F -statistikken sammenligner bare den fælles effekt af alle variablerne sammen.