Metryki są miarą jakości modelu Uczenia Maszynowego, która umożliwia porównywanie modeli między sobą. W kontekście, którym dyskutujemy, metryki są obliczane na podstawie macierzy pomyłek.
W materiałach jest mowa o czterech głównych metrykach:
Dokładność (accuracy) - to często metryka domyślna, która określa, jak często model poprawnie klasyfikuje przykłady.
Precyzja (precision) - to metryka, która określa, jak często model poprawnie klasyfikuje przykłady z jednej klasy.
Czułość (recall) - to metryka, która określa, jak często model poprawnie klasyfikuje przykłady z jednej klasy, nawet jeśli są one rzadkie.
F-score - to uniwersalna metryka, która łączy precyzję i czułość modelu.
Metryki te są ważne, ponieważ pozwalają ocenić jakość modelu i porównywać go z innymi modelami. Warto zwrócić uwagę, że każda metryka ma swoje wady i zalety, i zależy od celu, jaki chcemy osiągnąć.