Präzision kann als Maß für Qualität und Erinnerung als Maß für Quantität angesehen werden. Eine höhere Präzision bedeutet, dass ein Algorithmus mehr relevante Ergebnisse als irrelevante Ergebnisse liefert, und ein hoher Recall bedeutet, dass ein Algorithmus die meisten relevanten Ergebnisse zurückgibt (unabhängig davon, ob auch irrelevante Ergebnisse zurückgegeben werden).
- Was ist ein guter Präzisions- und Erinnerungswert??
- Was sagt Ihnen eine Präzisions-Rückruf-Kurve??
- Was ist ein akzeptabler F1-Wert??
- Wie interpretiert man einen F-Score?
Was ist ein guter Präzisions- und Erinnerungswert??
Hohe Präzision bezieht sich auf die niedrige False-Positive-Rate. Wir haben 0.788 Präzision, was ziemlich gut ist. Recall (Empfindlichkeit) - Recall ist das Verhältnis von korrekt vorhergesagten positiven Beobachtungen zu allen Beobachtungen in der aktuellen Klasse - ja.
Was sagt Ihnen eine Präzisions-Rückruf-Kurve??
Precision-Recall-Kurven fassen den Kompromiss zwischen der wahren positiven Rate und dem positiven Vorhersagewert für ein Vorhersagemodell unter Verwendung verschiedener Wahrscheinlichkeitsschwellen zusammen.
Was ist ein akzeptabler F1-Wert??
Ein F1-Wert gilt als perfekt, wenn er 1 ist, während das Modell ein Totalausfall ist, wenn er 0 ist . Denken Sie daran: Alle Modelle sind falsch, aber einige sind nützlich. Das heißt, alle Modelle erzeugen einige falsch-negative, einige falsch-positive und möglicherweise beides.
Wie interpretiert man einen F-Score?
Wenn Sie einen großen f-Wert erhalten (einen, der größer ist als der kritische F-Wert in einer Tabelle), bedeutet dies, dass etwas signifikant ist, während ein kleiner p-Wert bedeutet, dass alle Ihre Ergebnisse signifikant sind. Die F-Statistik vergleicht nur den gemeinsamen Effekt aller Variablen zusammen.