分類モデルのパフォーマンスを評価する場合、いくつかの指標を使用できますが、最も一般的な 3 つは 精度、再現率、F1 スコアです。
精度:
精度は、モデルによって行われた肯定的な予測の精度を測定します。これは、陽性予測の総数 (真陽性 + 偽陽性) に対する真陽性予測の比率として計算されます。簡単に言えば、精度は「モデルが陽性と予測したすべての項目のうち、実際に陽性であった項目はいくつありますか?」という質問に答えます。精度が高いということは、モデルが何かを肯定的であると予測する場合、それが通常は正しいことを意味します。
＃＃ 想起：
再現率は、すべての肯定的なインスタンスを正しく識別するモデルの能力を測定します。これは、実際の陽性インスタンスの総数 (真陽性 + 偽陰性) に対する真陽性予測の比率として計算されます。本質的に、リコールは「実際にポジティブな項目のうち、モデルが正しく識別した項目はいくつありますか?」という質問に答えます。高い再現率は、モデルがほとんどの陽性インスタンスを識別できることを示します。
F1 スコア:
F1 スコアは、精度と再現率の調和平均です。精度と再現率の両方のバランスがとれた単一のスコアを提供します。このスコアは、適合率と再現率のバランスを見つけたい場合、または クラスの不均衡がある場合に特に役立ちます。 F1 スコアの範囲は 0 ～ 1 で、値が高いほどパフォーマンスが優れていることを示します。
分類モデルを評価するときは、これらの指標を一緒に考慮することが重要です。たとえば、精度は高いが再現率が低いモデルは肯定的な予測を行う際に慎重すぎる可能性があり、再現率は高いが精度が低いモデルは肯定的な予測を行う際に寛容すぎる可能性があります。 F1 スコアは、これら 2 つの指標間のバランスを取るのに役立ちます。
さらに、特定の問題や要件に応じて、精度、特異性、ROC 曲線 (受信者動作特性曲線)、AUC (ROC 曲線下面積) などの他の指標もモデルのパフォーマンスを評価するのに役立つ場合があります。
