Bij het evalueren van de prestaties van een classificatiemodel kunnen verschillende metrieken worden gebruikt, maar drie van de meest voorkomende zijn precisie, recall en de F1-score.
Nauwkeurig:
Precisie meet de nauwkeurigheid van de positieve voorspellingen van het model. Het wordt berekend als de verhouding van ware positieve voorspellingen tot het totale aantal positieve voorspellingen (true positives false positives). Eenvoudig gezegd beantwoordt precisie de vraag: "Van alle items die het model als positief voorspelde, hoeveel waren er daadwerkelijk positief?". Hoge precisie betekent dat wanneer het model iets als positief voorspelt, het meestal juist is.
Terugroepen:
Recall meet het vermogen van het model om alle positieve gevallen correct te identificeren. Het wordt berekend als de verhouding tussen het aantal echt positieve voorspellingen en het totale aantal feitelijk positieve gevallen (true positives false negatives). In essentie beantwoordt recall de vraag: "Van alle feitelijk positieve items, hoeveel heeft het model correct geïdentificeerd?". Een hoge recall geeft aan dat het model de meeste positieve gevallen kan identificeren.
F1 Score:
De F1-score is het harmonische gemiddelde van precisie en terughalen. Het geeft een enkele score die zowel precisie als terughalen in evenwicht brengt. Deze score is vooral handig als je een balans wilt vinden tussen precisie en terughalen of als de klassen onevenwichtig zijn. De F1-score loopt van 0 tot 1, waarbij een hogere waarde betere prestaties aangeeft.
Bij het beoordelen van een classificatiemodel is het belangrijk om deze metingen samen te bekijken. Een model met hoge precisie maar lage terugroep kan bijvoorbeeld te voorzichtig zijn in het doen van positieve voorspellingen, terwijl een model met hoge terugroep maar lage precisie te liberaal kan zijn in het voorspellen van positieve resultaten. De F1 score helpt om een balans te vinden tussen deze twee meeteenheden.
Daarnaast kunnen, afhankelijk van het specifieke probleem en de vereisten, andere metrieken zoals nauwkeurigheid, specificiteit, ROC-curve (receiver operating characteristic curve), en AUC (area under the ROC curve)C_ ook waardevol zijn voor het beoordelen van de prestaties van het model.
