2.6. Вычисление F1-меры по формуле F1-Score = 2 * (precision * recall) / (precision + recall).
Например, если у нас есть следующие значения:
– Число правильных предсказаний положительных примеров (true positives) = 80
– Общее число положительных предсказаний (true positives + false positives) = 100
– Общее число действительно положительных примеров (true positives + false negatives) = 95
Тогда, для вычисления точности:
– Precision = 80 / 100 = 0.8 или 80%
А для вычисления полноты:
– Recall = 80 / 95 = 0.842 или 84.2%
После этого, можно вычислить F1-меру:
– F1-Score = 2 * (0.8 * 0.842) / (0.8 +0.842) = 0.820
F1-мера для данной модели будет равна 0.820.
Алгоритм вычисления F1-меры позволяет учесть как точность, так и полноту предсказаний модели и предоставляет более сбалансированную оценку ее производительности в задачах классификации.
3. Точность (precision): это метрика, которая оценивает способность модели идентифицировать только правильные положительные примеры. Точность вычисляется как отношение числа правильно предсказанных положительных примеров к общему числу положительных предсказаний.
Алгоритм вычисления точности (precision) на основе формулы precision = (число правильно предсказанных положительных примеров) / (общее число положительных предсказаний) может быть описан следующим образом:
3.1. Получение набора данных исходных примеров и соответствующих меток классов.
3.2. Применение модели или алгоритма классификации к каждому примеру из набора данных для получения предсказанных меток классов.
3.3. Сравнение предсказанных меток с исходными метками для определения числа правильно предсказанных положительных примеров.
3.4. Счетчик правильных положительных предсказаний
3.5. Счетчик общего числа положительных предсказаний
3.6. Для каждого примера в наборе данных:
– Проверка, является ли предсказанная метка положительной (т.е., модель считает пример положительным)
– Если предсказанная метка положительная, то:
– Увеличение счетчика общего числа положительных предсказаний на 1
– Проверка, является ли предсказанная метка правильной (т.е., совпадает ли с исходной меткой класса)
– Если предсказанная метка правильная, то:
– Увеличение счетчика правильных положительных предсказаний на 1
7. Вычисление точности путем деления числа правильно предсказанных положительных примеров на общее число положительных предсказаний.
Формула для вычисления точности выглядит следующим образом:
Точность = (число правильно предсказанных положительных примеров) / (общее число положительных предсказаний)
Например, если у нас есть следующие значения:
– Число правильных предсказаний положительных примеров = 80
– Общее число положительных предсказаний = 100
Тогда, для вычисления точности:
Точность = 80 / 100 = 0.8 или 80%
Алгоритм вычисления точности позволяет определить, насколько правильно модель идентифицирует только правильные положительные примеры. Оценка точности в сочетании с другими метриками, такими как полнота и F1-мера, обеспечивает более полное представление о производительности модели в задачах классификации.
4. F1-мера (F1-score): это комбинированная метрика, которая учитывает и точность, и полноту модели. F1-мера вычисляется как гармоническое среднее между точностью и полнотой и предоставляет сбалансированную оценку производительности модели.
Алгоритм вычисления F1-меры на основе формулы F1-Score = 2 * (precision * recall) / (precision + recall), где precision – это точность предсказания положительных примеров, а recall – это полнота предсказания положительных примеров, может быть описан следующим образом:
4.1. Получение набора данных исходных примеров и соответствующих меток классов.
4.2. Применение модели или алгоритма классификации к каждому примеру из набора данных для получения предсказанных меток классов.
4.3. Сравнение предсказанных меток с исходными метками для определения числа правильных предсказаний.
4.4. Вычисление точности (precision) путем деления числа правильно предсказанных положительных примеров на общее число положительных предсказаний.
4.5. Вычисление полноты (recall) путем деления числа правильно предсказанных положительных примеров на общее число действительно положительных примеров.
4.6. Вычисление F1-меры по формуле F1-Score = 2 * (precision * recall) / (precision + recall).
Формула для вычисления F1-меры является гармоническим средним между точностью и полнотой, и предоставляет сбалансированную оценку производительности модели.
Например, если у нас есть следующие значения:
– Число правильных предсказаний положительных примеров (true positives) = 80
– Общее число положительных предсказаний (true positives + false positives) = 100
– Общее число действительно положительных примеров (true positives + false negatives) = 95
Тогда, для вычисления точности:
