Это ключевые метрики для оценки моделей машинного обучения, особенно в задачах классификации.
Точность (Precision)
Точность показывает, насколько часто модель угадывает правильно, когда говорит «да».
Из 100 объектов, которые модель отметила как положительные, сколько на самом деле положительные.
Формула: \( \frac{TP}{TP + FP} \), где TP — верно положительные, FP — ложно положительные.
Полнота (Recall)
Полнота отвечает, сколько реальных положительных объектов модель нашла из всех существующих.
Из 100 настоящих положительных сколько модель не пропустила.
Формула: \( \frac{TP}{TP + FN} \), где FN — ложно отрицательные.
F1-мера
F1 балансирует точность и полноту через их гармоническое среднее.
Используется, когда обе метрики важны одинаково и нельзя максимизировать одну без ущерба другой.
Формула: \( F1 = 2 \cdot \frac{Precision \cdot Recall}{Precision + Recall} \).