Vid utvärdering av en klassificeringsmodells prestanda kan flera mått användas, men tre av de vanligaste är precision, recall och F1-poäng.
Precision:
Precision mäter noggrannheten i de positiva förutsägelser som modellen gör. Den beräknas som förhållandet mellan sant positiva förutsägelser och det totala antalet positiva förutsägelser (true positives false positives). Enkelt uttryckt svarar precisionen på frågan: "Av alla de objekt som modellen förutspådde som positiva, hur många var faktiskt positiva?". Hög precision innebär att när modellen förutspår något som positivt, så är det oftast korrekt.
Återkallelse:
Recall mäter modellens förmåga att korrekt identifiera alla positiva instanser. Det beräknas som förhållandet mellan sant positiva förutsägelser och det totala antalet faktiska positiva instanser (true positives false negatives). I grund och botten svarar recall på frågan: "Hur många av alla faktiska positiva objekt identifierade modellen korrekt?". Hög recall indikerar att modellen kan identifiera de flesta av de positiva fallen.
F1-resultat:
F1-poängen är det harmoniska medelvärdet av precision och recall. Det ger en enda poäng som balanserar både precision och recall. Denna poäng är särskilt användbar när du vill hitta en balans mellan precision och återkallelse eller när klasserna är obalanserade. F1-poängen sträcker sig från 0 till 1, där ett högre värde indikerar bättre prestanda.
När man utvärderar en klassificeringsmodell är det viktigt att beakta dessa mått tillsammans. En modell med hög precision men låg recall kan t.ex. vara alltför försiktig med att göra positiva förutsägelser, medan en modell med hög recall men låg precision kan vara alltför frikostig med att förutsäga positiva resultat. F1-poängen hjälper till att hitta en balans mellan dessa två mått.
Dessutom, beroende på det specifika problemet och kraven, kan andra mått som noggrannhet, specificitet, ROC-kurva (receiver operating characteristic curve) och AUC (area under ROC-kurvan) också vara värdefulla för att bedöma modellens prestanda.
