Novērtējot klasifikācijas modeļa veiktspēju, var izmantot vairākus rādītājus, taču trīs no visizplatītākajiem ir precizitāte, atsaukt un F1 rādītājs.
Precizitāte:
Precizitāte mēra modeļa veikto pozitīvo prognožu precizitāti. To aprēķina kā patiesi pozitīvo prognožu attiecību pret kopējo pozitīvo prognožu skaitu (patiesās pozitīvas + viltus pozitīvas). Vienkārši izsakoties, precizitāte atbild uz jautājumu: "Cik no visiem vienumiem, kurus modelis paredzēja kā pozitīvus, bija faktiski pozitīvi?". Augsta precizitāte nozīmē, ka, ja modelis prognozē kaut ko pozitīvu, tas parasti ir pareizi.
Atsaukt:
Atgādināšana mēra modeļa spēju pareizi identificēt visus pozitīvos gadījumus. To aprēķina kā patiesi pozitīvo prognožu attiecību pret kopējo faktisko pozitīvo gadījumu skaitu (patiesi pozitīvie + viltus negatīvi). Būtībā atsaukšana atbild uz jautājumu: "Cik no visiem faktiskajiem pozitīvajiem posteņiem modelis pareizi identificēja?". Augsts atgādinājums norāda, ka modelis var identificēt lielāko daļu pozitīvo gadījumu.
F1 rezultāts:
F1 rādītājs ir precizitātes un atsaukšanas harmoniskais vidējais rādītājs. Tas nodrošina vienu punktu skaitu, kas līdzsvaro gan precizitāti, gan atcerēšanos. Šis rādītājs ir īpaši noderīgs, ja vēlaties atrast līdzsvaru starp precizitāti un atsaukšanu vai kad nodarbības ir nelīdzsvarotas. F1 rādītājs svārstās no 0 līdz 1, kur augstāka vērtība norāda uz labāku sniegumu.
Novērtējot klasifikācijas modeli, ir svarīgi ņemt vērā šos rādītājus kopā. Piemēram, modelis ar augstu precizitāti, bet zemu atsaukšanu var būt pārāk piesardzīgs, veicot pozitīvas prognozes, savukārt modelis ar augstu atsaukšanu, bet zemu precizitāti varētu būt pārāk liberāls, prognozējot pozitīvas. F1 rezultāts palīdz panākt līdzsvaru starp šiem diviem rādītājiem.
Turklāt, atkarībā no konkrētās problēmas un prasībām, modeļa veiktspējas novērtēšanai vērtīgi varētu būt arī citi rādītāji, piemēram, precizitāte, specifika, ROC līkne (uztvērēja darbības raksturlīkne) un AUC (laukums zem ROC līknes).
