Presisi dan Ingat
Presisi dan perolehan adalah dua metrik yang saling melengkapi untuk mengevaluasi pengklasifikasi, terutama ketika kelas tidak seimbang.
Ikhtisar
Together they reveal what plain accuracy hides — how often a model's positive predictions are right, and how many real positives it actually catches.
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.
Wawasan Teknis
Kedua metrik tersebut berasal dari true positif (TP), positif palsu (FP), dan negatif palsu (FN) matriks konfusi: Presisi = TP / (TP + FP), Penarikan = TP / (TP + FN). Khususnya, tidak ada yang menggunakan hal-hal negatif yang sebenarnya, itulah sebabnya mereka tetap informatif ketika jumlah negatif jauh lebih banyak daripada positif. Menyapu ambang klasifikasi menelusuri kurva perolehan presisi; area di bawahnya (presisi rata-rata) merangkum kinerja dan lebih disukai daripada ROC-AUC pada data yang sangat tidak seimbang.
Dampak Strategis
Clearer decisions
Ini membantu Anda memisahkan klaim teknis yang jelas dari bahasa pemasaran.
Cost and budget
Anda dapat mengajukan pertanyaan implementasi yang lebih baik sebelum mengeluarkan uang atau waktu.
Team and workflow
Tim dengan pemahaman bersama membuat keputusan produk, kebijakan, dan pembelajaran yang lebih baik.
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.
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.
Risiko & Pagar Pembatas
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.
Peta Jalan Implementasi
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
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Precision and Recall quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Next guide
Tempus AI dalam Pengobatan Presisi
Pertanyaan yang sering diajukan
What is Precision and 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.
What is next for Precision and Recall?
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.
Presisi menjawab pertanyaan yang mana?
Presisi = TP / (TP + FP) mengukur kebenaran prediksi positif model — seberapa dapat dipercaya suatu tanda positif.
Mengapa presisi dan perolehan kembali lebih disukai daripada akurasi biasa untuk kumpulan data yang sangat tidak seimbang?
Karena tidak ada metrik yang menggunakan negatif sebenarnya, metrik tersebut tidak ditingkatkan oleh kelas negatif yang besar dan mudah diprediksi seperti halnya akurasi.