Oltre l'accuratezza
Perché è importante In un test per una malattia rara dove il 95% delle persone è sano, un modello che dice sempre "sano" ottiene il 95% di accuratezza ed è inutile.
Una matrice di confusione conta, per ogni classe vera, quante volte è stata prevista ogni classe: riga = verità, colonna = previsione. Da lì, per una classe che ti interessa:
- Precisione: delle volte in cui il modello ha detto "positivo", quanto spesso aveva ragione?
- Richiamo: dei positivi veri, quanti ne ha trovati il modello?
Numeri piccolissimi
100 persone, 5 malate. Il modello pigro dice sano per tutti: accuratezza 95%, richiamo 0 su 5 = 0. Un modello vero segnala 8 persone, 4 delle quali malate: precisione 4/8 = 0.5, richiamo 4/5 = 0.8, e accuratezza (4 + 91) / 100 = 95%. Stessa accuratezza, utilità completamente diversa.
Parole e simboli di questa lezione
- matrice di confusione
- conteggi della classe vera (riga) contro la classe prevista (colonna)
- precisione, richiamo
- di ciò che ha segnalato, quanto era giusto; di ciò che c'era, quanto ne ha trovato
Scrivi confusion(y_true, y_pred, k) (un array k per k di conteggi) e precision_recall(y_true, y_pred, positive) che restituisce una coppia (usa 0.0 quando non c'è niente per cui dividere).
Hai notato un problema in questa lezione? Segnalalo · Chiedi qualcosa su questa lezione
Questo esercizio si apre presto
Finisci la lezione precedente e questa si sblocca. L'intero corso è gratuito, senza account, e puoi leggere questa lezione subito.
Questo browser blocca i cookie per learn.floati.life, quindi le lezioni che hai finito qui non si possono aprire in ordine. Consenti i cookie per questo sito e ricarica.