Il prossimoProssima guida
Test di richiamo, precisione ed elusione nella revisione dei documenti
Tecnico
GUIDA AI FONDAMENTALI
Precisione e richiamo sono due parametri complementari per valutare i classificatori, soprattutto quando le classi sono sbilanciate.
Ascolta questa guidaNarrato dall'IA · ~2 min
Insieme rivelano cosa nasconde la semplice accuratezza — quanto spesso le previsioni positive di un modello sono corrette e quanti veri aspetti positivi rileva effettivamente.
Quando un modello contrassegna gli elementi come positivi, contano due domande. La precisione chiede: di tutto ciò che abbiamo segnalato, quanto è stato veramente positivo? È uguale ai veri positivi diviso per tutti i positivi previsti, penalizzando i falsi allarmi. Il richiamo (sensibilità) chiede: di tutti i veri aspetti positivi là fuori, quanti ne abbiamo catturati? È uguale ai veri positivi diviso per tutti i positivi effettivi, penalizzando gli errori. Questi di solito si compensano: l’abbassamento della soglia decisionale rileva più aspetti positivi (ricordo più elevato) ma segnala più spazzatura (precisione inferiore) e viceversa. A quale dare la priorità dipende dai costi: un filtro anti-spam favorisce la precisione (non cestinare la posta reale), mentre uno schermo contro il cancro favorisce il ricordo (non perdere un tumore). Il punteggio F1, la loro media armonica, bilancia entrambi in un unico numero.
I filtri antispam sono ottimizzati per un'elevata precisione, in modo che le e-mail legittime non vengano quasi mai inviate erroneamente alla cartella spam.
I test di screening medico danno priorità ad un elevato richiamo per evitare di perdere pazienti che effettivamente hanno la malattia, accettando più falsi positivi per il follow-up.
I sistemi di ricerca e raccomandazione riportano Precision@k (quanti dei primi k risultati sono rilevanti) per misurare la qualità del ranking.
Il rilevamento delle frodi bilancia precisione e richiamo tramite il punteggio F1, poiché sia i falsi allarmi che le frodi mancate sono costosi.
Man mano che l’intelligenza artificiale entra in settori ad alto rischio – diagnosi medica, moderazione dei contenuti, frode – i team segnalano sempre più precisione e ricordo (e le loro curve) piuttosto che solo accuratezza, e ottimizzano le soglie per far corrispondere i costi del mondo reale e i vincoli di equità. Gli audit di precisione/richiamo per gruppo stanno diventando uno standard per rilevare tassi di errore disparati tra dati demografici. Aspettatevi metriche più ricche e sensibili ai costi, probabilità calibrate e strumenti che consentano alle parti interessate di scegliere i punti operativi in modo interattivo anziché accettare una soglia predefinita di 0,5.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
Precisione e richiamo sono due parametri complementari per valutare i classificatori, soprattutto quando le classi sono sbilanciate. Insieme rivelano ciò che nasconde la semplice accuratezza: quanto spesso le previsioni positive di un modello sono corrette e quanti aspetti positivi reali rileva effettivamente.
Precisione = TP / (TP + FP) misura la correttezza delle previsioni positive del modello, ovvero quanto è affidabile un flag positivo.
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.
Accuracy can be dominated by correct negative predictions. Precision and recall examine positive flags and missed positives using TP, FP, and FN.
Precision@10 measures the relevant fraction among the top ten results: 6/10 = 60%.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Test di richiamo, precisione ed elusione nella revisione dei documenti
Tecnico