Metrieken voor classificatie

Question 1

Recall

Answer 1

Een metriek waarmee een inschatting gemaakt wordt van de performantie van een model omtrent het aantal false negatives.

Question 2

Precision

Answer 2

Een metriek waarmee een inschatting gemaakt wordt van de performantie van een model omtrent het aantal false positives.

Question 3

F-score

Answer 3

Een metriek die precision en recall combineert in één metriek

Question 4

F1-score

Answer 4

Berekend harmonisch gemiddelde van precision en recall.

Als P en R gelijk zijn, dan is F1=2PP/2P=P=2RR/2R=R

Het harmomisch gemiddelde van beide is, net zoals bij het rekenkundig gemiddelde, gelijk aan beide.

Is P veel kleiner dan R, of omgekeerd, dan is F1
een klein getal. Een lage F1-score is dus een waarschuwing dat minstens één waarde, recall of precision, zelf een lage score hebben en de recall en precision mogelijk in onevenwicht zijn.

Question 5

Fβ-score

Answer 5

F1 score met nadruk op ofwel precision of recall.

Question 6

ROC-curve

Answer 6

Receiver operating characteristic (ROC) curve is een visuele tool die ons helpt om een te evalueren en onmiddellijk de balans tussen false positives en false negatives te evalueren.

Question 7

Sensitivity

Answer 7

(true positive rate) is de capaciteit van een test om de positief gelabelde datapunten correct te identificeren:

sensitivity=true positivestrue / positives+false negatives