VolgendeVolgende gids
Recall-, precisie- en ontwijkingstests bij documentbeoordeling
Technisch
Basisprincipes GIDS
Precisie en herinnering zijn twee complementaire maatstaven voor het evalueren van classificaties, vooral wanneer klassen onevenwichtig zijn.
Luister naar deze gidsAI-verteld · ~2 min
Samen laten ze zien wat pure nauwkeurigheid verbergt: hoe vaak de positieve voorspellingen van een model kloppen, en hoeveel echte positieve resultaten het daadwerkelijk oplevert.
Wanneer een model items als positief markeert, zijn twee vragen van belang. Precisie vraagt zich af: hoeveel van alles wat we hebben gemarkeerd, was echt positief? Het is gelijk aan de echte positieven gedeeld door alle voorspelde positieven, waardoor valse alarmen worden bestraft. Herinnering (gevoeligheid) vraagt: van alle echte positieve punten die er zijn, hoeveel hebben we er gevangen? Het is gelijk aan echte positieven gedeeld door alle daadwerkelijke positieven, waardoor missers worden bestraft. Meestal is er sprake van een wisselwerking: het verlagen van de beslissingsdrempel levert meer positieve resultaten op (hogere herinnering), maar signaleert meer rommel (lagere precisie), en vice versa. Welke prioriteit moet worden gegeven, hangt af van de kosten: een spamfilter geeft de voorkeur aan precisie (gooi geen echte e-mail weg), terwijl een kankerscreening de voorkeur geeft aan het terughalen (mis geen tumor). De F1-score, hun harmonische gemiddelde, brengt beide in één getal in evenwicht.
Spamfilters zijn afgestemd op hoge nauwkeurigheid, zodat legitieme e-mails vrijwel nooit ten onrechte naar de spammap worden verzonden.
Medische screeningtests geven prioriteit aan een hoge terugroepactie om te voorkomen dat patiënten worden gemist die daadwerkelijk de ziekte hebben, en accepteren meer valse positieven voor follow-up.
Zoek- en aanbevelingssystemen rapporteren precisie@k (hoeveel van de beste K-resultaten relevant zijn) om de rangschikkingskwaliteit te meten.
Fraudedetectie balanceert precisie en herinnering via de F1-score, aangezien zowel valse alarmen als gemiste fraude kostbaar zijn.
Naarmate AI domeinen met hoge inzet betreedt – medische diagnose, inhoudsmoderatie, fraude – rapporteren teams steeds vaker precisie en herinnering (en hun curves) in plaats van alleen nauwkeurigheid, en stemmen ze drempels af om overeen te komen met reële kosten en eerlijkheidsbeperkingen. Precisie-/herinneringsaudits per groep worden de standaard voor het opsporen van ongelijksoortige foutenpercentages in demografische groepen. Verwacht rijkere kostengevoelige statistieken, gekalibreerde kansen en tools waarmee belanghebbenden interactief hun operationele punten kunnen kiezen in plaats van een standaarddrempel van 0,5 te accepteren.
Gratis nieuwsbrief
Drie verifieerde AI-verhalen elke weekdagmorgen, geschreven in eenvoudig Engels. Gratis voor altijd, geen advertenties.
Eén e-mail elke weekdag. Afmelden met één klik. We verkopen of delen je adres nooit.
Test jezelf
Directe feedback op elke antwoord, en een deelbare certificaat met een verifieerbare ID zodra je een cursus hebt afgerond.
Ondersteun gratis AI-onderwijs. AI Understanding is een 501(c)(3) non-profit — geen advertenties, geen betaalmuur, nooit. Doe een donatie
Precisie en herinnering zijn twee complementaire maatstaven voor het evalueren van classificaties, vooral wanneer klassen onevenwichtig zijn. Samen laten ze zien wat pure nauwkeurigheid verbergt: hoe vaak de positieve voorspellingen van een model kloppen, en hoeveel echte positieve uitkomsten het daadwerkelijk oplevert.
Precisie = TP / (TP + FP) meet de juistheid van de positieve voorspellingen van het model: hoe betrouwbaar een positieve vlag is.
Het verlagen van de drempel breidt de voorspelde positieve set uit of behoudt deze. Het kan extra echte positieven en extra valse positieven opleveren; veranderingen zijn afhankelijk van welke items de drempel overschrijden.
Nauwkeurigheid kan worden gedomineerd door correcte negatieve voorspellingen. Precisie en herinnering onderzoeken positieve vlaggen en gemiste positieven met behulp van TP, FP en FN.
Precision@10 meet het relevante aandeel in de top tien resultaten: 6/10 = 60%.
Blijf leren
Er zijn meer handleidingen voor dit onderwerp geselecteerd
VolgendeVolgende gids
Recall-, precisie- en ontwijkingstests bij documentbeoordeling
Technisch