Толковый словарь по нейросетям и искусственному интеллекту
Точность
Precision
Категория термина
Precision (точность) — это метрика качества модели в задачах классификации, которая измеряет долю корректно предсказанных положительных результатов среди всех предсказанных моделью положительных примеров. Иными словами, она показывает, насколько модель «чисто» выбирает положительные случаи, не включая ложные срабатывания.
📏 Формула:
Precision=True Positives (TP)True Positives (TP)+False Positives (FP)\text{Precision} = \frac{\text{True Positives (TP)}}{\text{True Positives (TP)} + \text{False Positives (FP)}}- TP (True Positives): корректно предсказанные положительные примеры
- FP (False Positives): ошибки, когда модель неверно предсказала положительный класс
🔧 Примеры:
- Медицинская диагностика:
- Модель выявляет болезни по анализам.
- Высокая precision означает, что среди всех случаев, где модель заявила «болен», почти все действительно больны.
- Низкая precision — много ложных тревог.
- Обнаружение спама:
- Высокая precision = почти все письма, помеченные как спам, действительно спам.
- Низкая precision = много обычных писем ошибочно классифицировано как спам.
🧠 Связанные метрики:
- Recall (полнота): доля корректно предсказанных положительных примеров среди всех истинных положительных примеров.
- F1-score: гармоническое среднее между precision и recall, используемое при необходимости сбалансировать точность и полноту.
- Accuracy (точность модели в целом): доля всех верных предсказаний среди всех примеров, но не учитывает дисбаланс классов.
📦 Влияние на работу модели:
- В задачах с неравномерным распределением классов (например, редкие болезни, мошенничество) precision часто важнее, чем простая accuracy.
- Подходит для сценариев, где ошибочные положительные предсказания критичны, а пропуск некоторых истинных положительных примеров допустим.
🧭 Вывод:
Precision (точность) — ключевая метрика для оценки качества классификации, особенно в критически важных приложениях, где важна «чистота» предсказаний. Она позволяет понять, насколько надежны положительные предсказания модели и помогает принимать решения о дальнейшей оптимизации или настройке алгоритма.
