SelanjutnyaPanduan berikutnya
Pengujian Penarikan Kembali, Presisi dan Elusi dalam Tinjauan Dokumen
Teknis
PANDUAN Dasar
Presisi dan Ingat
Presisi dan perolehan adalah dua metrik yang saling melengkapi untuk mengevaluasi pengklasifikasi, terutama ketika kelas tidak seimbang.
Dengarkan panduan iniDiceritakan oleh AI · ~2 min
Di halaman ini2 menit membaca
Ikhtisar
Bersama-sama, ketiga hal tersebut mengungkap apa yang tersembunyi dalam akurasi - seberapa sering prediksi positif suatu model benar, dan berapa banyak hal positif nyata yang benar-benar didapat.
Menyelam Lebih Dalam
Saat model menandai item sebagai positif, ada dua pertanyaan yang penting. Presisi bertanya: dari semua yang kami tandai, seberapa banyak yang benar-benar positif? Ini sama dengan hasil positif sebenarnya dibagi dengan semua hasil positif yang diprediksi, sehingga memberikan sanksi terhadap alarm palsu. Ingatan (sensitivitas) menanyakan: dari semua hal positif yang ada, berapa banyak yang kita tangkap? Ini sama dengan hasil positif sebenarnya dibagi dengan semua hasil positif aktual, sehingga memberikan hukuman jika terjadi kesalahan. Hal ini biasanya menimbulkan konsekuensi: menurunkan ambang batas keputusan akan menghasilkan lebih banyak hal positif (recall lebih tinggi) namun menandai lebih banyak sampah (presisi lebih rendah), dan sebaliknya. Yang mana yang diprioritaskan bergantung pada biaya — filter spam mengutamakan presisi (jangan membuang email asli), sedangkan screening kanker mengutamakan penarikan kembali (jangan sampai ada tumor yang terlewat). Skor F1, rata-rata harmoniknya, menyeimbangkan keduanya dalam satu angka.
Implementasi Dunia Nyata
Filter spam disetel dengan presisi tinggi sehingga email yang sah hampir tidak pernah salah dikirim ke folder spam.
Tes skrining medis memprioritaskan recall yang tinggi untuk menghindari kehilangan pasien yang sebenarnya mengidap penyakit tersebut, sehingga menerima lebih banyak hasil positif palsu untuk tindak lanjut.
Sistem pencarian dan rekomendasi melaporkan presisi@k (berapa banyak hasil k teratas yang relevan) untuk mengukur kualitas peringkat.
Deteksi penipuan menyeimbangkan presisi dan perolehan melalui skor F1, karena alarm palsu dan penipuan yang terlewat memerlukan biaya yang besar.
Masa Depan Presisi dan Penarikan Kembali
Saat AI memasuki domain berisiko tinggi – diagnosis medis, moderasi konten, penipuan – semakin banyak tim yang melaporkan presisi dan perolehan (dan kurvanya) dibandingkan akurasi saja, dan menyesuaikan ambang batas agar sesuai dengan biaya di dunia nyata dan batasan keadilan. Audit presisi/recall per kelompok menjadi standar untuk mendeteksi tingkat kesalahan yang berbeda-beda di seluruh demografi. Harapkan metrik yang lebih sensitif terhadap biaya, probabilitas yang terkalibrasi, dan alat yang memungkinkan pemangku kepentingan memilih titik operasi secara interaktif daripada menerima ambang batas default 0,5.
Mempraktikkannya
Mengapa itu penting
- Keputusan yang lebih jelas. Ini membantu Anda memisahkan klaim teknis yang jelas dari bahasa pemasaran.
- Biaya dan anggaran. Anda dapat mengajukan pertanyaan implementasi yang lebih baik sebelum mengeluarkan uang atau waktu.
- Tim dan alur kerja. Tim dengan pemahaman bersama membuat keputusan produk, kebijakan, dan pembelajaran yang lebih baik.
Hati-hati
- Tim yang berbeda mungkin menggunakan istilah yang sama secara berbeda, jadi tentukan cakupannya sejak dini.
- Tolok ukur dapat terlihat kuat sementara kinerja di dunia nyata tidak merata.
- Mengabaikan kualitas data dan rencana evaluasi sering kali menimbulkan hasil yang rapuh.
Langkah selanjutnya
- Mulailah dengan definisi bahasa sederhana tentang hasil yang Anda butuhkan.
- Pilih satu metrik keberhasilan dan satu kondisi kegagalan sebelum pengujian.
- Jalankan uji coba kecil dengan data yang representatif, bukan kumpulan demo yang disempurnakan.
- Dokumentasikan di mana Precision dan Recall membantu dan di mana metode yang lebih sederhana lebih baik.
Terus Menjelajah
Buletin gratis
Dapatkan pengarahan AI harian
Tiga cerita AI terverifikasi setiap pagi hari kerja, ditulis dalam bahasa Inggris sederhana. Gratis selamanya, tanpa iklan.
Satu email setiap hari kerja. Berhenti berlangganan dalam satu klik. Kami tidak pernah menjual atau membagikan alamat Anda.
Uji diri Anda sendiri
Take the Precision and Recall quiz
Umpan balik instan untuk setiap jawaban, dan sertifikat yang dapat dibagikan dengan ID yang dapat diverifikasi setelah Anda lulus kursus.
Mendukung pendidikan AI gratis. AI Understanding adalah organisasi nirlaba 501(c)(3) — tanpa iklan, tanpa paywall, selamanya. Berikan sumbangan
Pertanyaan yang sering diajukan
Apa itu Presisi dan Recall?
Presisi dan perolehan adalah dua metrik yang saling melengkapi untuk mengevaluasi pengklasifikasi, terutama ketika kelas tidak seimbang. Bersama-sama, ketiga hal tersebut mengungkap apa yang tersembunyi dalam akurasi - seberapa sering prediksi positif suatu model benar, dan berapa banyak hal positif nyata yang benar-benar didapat.
Presisi menjawab pertanyaan yang mana?
Presisi = TP / (TP + FP) mengukur kebenaran prediksi positif model — seberapa dapat dipercaya suatu tanda positif.
On a fixed evaluation set, lowering a positive-class decision threshold usually produces which tradeoff?
Lowering the threshold expands or preserves the predicted-positive set. It may catch additional true positives and additional false positives; changes depend on which items cross the threshold.
Why can precision and recall reveal a weakness hidden by high accuracy on a dataset dominated by negatives?
Accuracy can be dominated by correct negative predictions. Precision and recall examine positive flags and missed positives using TP, FP, and FN.
Six of the top ten search results are relevant. What is precision@10 for that result list?
Precision@10 measures the relevant fraction among the top ten results: 6/10 = 60%.
Teruslah belajar
Panduan terkait
Panduan lainnya dipilih untuk topik ini