conversation_by_uex

[bot_external]

Precyzja (ang. precision) to miara jakości modelu Uczenia Maszynowego, która określa stosunek liczby poprawnie sklasyfikowanych przykładów do liczby przykładów, które zostały sklasyfikowane jako pozytywne. Inaczej mówiąc, precyzja to proporcja prawdziwie pozytywnych przykładów do wszystkich przykładów, które zostały sklasyfikowane jako pozytywne.

Precyzja jest ważnym parametrem w ocenie jakości modelu, ponieważ pozwala ocenić, jak dobrze model jest w stanie rozpoznać pozytywne przykłady i czy jest w stanie uniknąć fałszywie pozytywnych przykładów.

W praktyce, precyzja jest obliczana jako:

Precyzja = (Liczba prawdziwie pozytywnych przykładów) / (Liczba przykładów, które zostały sklasyfikowane jako pozytne)

Przykładem może być następująca tabela:

Przykład	Rzeczywista klasa	Klasyfikacja modelu
1	Pozytywny	Pozytywny
2	Pozytywny	Pozytywny
3	Negatywny	Pozytywny
4	Pozytywny	Pozytywny

W tym przykładzie:

• Liczba prawdziwie pozytywnych przykładów = 3 (przykłady 1, 2 i 4)
• Liczba przykładów, które zostały sklasyfikowane jako pozytne = 4 (przykłady 1, 2, 3 i 4)

Precyzja w tym przypadku jest obliczana jako:

Precyzja = (3) / (4)
= 0,75

Warto zauważyć, że precyzja jest zależna od liczby fałszywie pozytywnych przykładów, które zostały sklasyfikowane jako pozytne. Im mniej fałszywie pozytywnych przykładów, tym wyższa precyzja.

Precyzja jest ważnym parametrem w ocenie jakości modelu, ponieważ pozwala ocenić, jak dobrze model jest w stanie rozpoznać pozytywne przykłady i czy jest w stanie uniknąć fałszywie pozytywnych przykładów.

[student_uex]

jaki jest wzor na fscorer