परिशुद्धता और स्मरण

क्लासिफायर के मूल्यांकन के लिए परिशुद्धता और रिकॉल दो पूरक मेट्रिक्स हैं, खासकर जब कक्षाएं असंतुलित होती हैं। साथ में वे यह प्रकट करते हैं कि स्पष्ट सटीकता क्या छिपाती है - कितनी बार एक मॉडल की सकारात्मक भविष्यवाणियां सही होती हैं, और यह वास्तव में कितनी वास्तविक सकारात्मकताएं पकड़ती है।

जब कोई मॉडल आइटम को सकारात्मक के रूप में चिह्नित करता है, तो दो प्रश्न मायने रखते हैं। प्रिसिजन पूछता है: हमने जो कुछ भी चिह्नित किया, उसमें से कितना वास्तव में सकारात्मक था? यह सभी अनुमानित सकारात्मकताओं से विभाजित वास्तविक सकारात्मकताओं के बराबर है, झूठे अलार्म को दंडित करता है। रिकॉल (संवेदनशीलता) पूछती है: वहां मौजूद सभी वास्तविक सकारात्मकताओं में से, हमने कितनों को पकड़ा? यह सभी वास्तविक सकारात्मकताओं से विभाजित वास्तविक सकारात्मकताओं के बराबर है, गलतियों को दंडित करता है। ये आम तौर पर व्यापार बंद कर देते हैं: निर्णय सीमा को कम करने से अधिक सकारात्मकता (उच्च रिकॉल) मिलती है, लेकिन अधिक बेकार (कम सटीकता) का पता चलता है, और इसके विपरीत। किसे प्राथमिकता देनी है यह लागत पर निर्भर करता है - एक स्पैम फ़िल्टर सटीकता का समर्थन करता है (वास्तविक मेल को रद्दी न करें), जबकि एक कैंसर स्क्रीन रिकॉल का समर्थन करता है (ट्यूमर को न चूकें)। F1 स्कोर, उनका हार्मोनिक माध्य, दोनों को एक संख्या में संतुलित करता है।