Độ chính xác và thu hồi
Độ chính xác và thu hồi là hai số liệu bổ sung cho nhau để đánh giá các bộ phân loại, đặc biệt khi các lớp bị mất cân bằng.
Tổng quan
Họ cùng nhau tiết lộ những điều mà độ chính xác đơn giản ẩn giấu - tần suất các dự đoán tích cực của một mô hình là đúng và bao nhiêu mặt tích cực thực sự mà nó thực sự thu được.
Lặn sâu
Khi một mô hình gắn cờ các mục là tích cực, có hai câu hỏi quan trọng. Precision hỏi: trong số mọi thứ chúng tôi gắn cờ, có bao nhiêu là thực sự tích cực? Nó bằng giá trị dương thực sự chia cho tất cả giá trị dương tính được dự đoán, xử phạt các cảnh báo sai. Nhớ lại (độ nhạy) hỏi: trong số tất cả những điều tích cực thực sự ngoài kia, chúng ta đã bắt được bao nhiêu? Nó bằng số tích cực thực sự chia cho tất cả số lần tích cực thực tế, trừng phạt những lần bỏ lỡ. Những điều này thường đánh đổi: việc hạ thấp ngưỡng quyết định sẽ thu được nhiều kết quả tích cực hơn (độ thu hồi cao hơn) nhưng gắn cờ nhiều rác hơn (độ chính xác thấp hơn) và ngược lại. Việc ưu tiên nào phụ thuộc vào chi phí - bộ lọc thư rác thiên về độ chính xác (không chuyển thư thật vào thùng rác), trong khi sàng lọc ung thư thiên về thu hồi (không bỏ sót khối u). Điểm F1, giá trị trung bình hài hòa của chúng, cân bằng cả hai trong một con số.
Hiểu biết kỹ thuật
Cả hai số liệu đều đến từ giá trị dương tính thực (TP), dương tính giả (FP) và âm tính giả (FN) của ma trận nhầm lẫn: Độ chính xác = TP / (TP + FP), Thu hồi = TP / (TP + FN). Đáng chú ý là cả hai đều không sử dụng những điều tiêu cực thực sự, đó là lý do tại sao chúng vẫn giữ được nhiều thông tin khi những điều tiêu cực nhiều hơn những điều tích cực. Quét ngưỡng phân loại sẽ vạch ra đường cong thu hồi chính xác; khu vực bên dưới nó (độ chính xác trung bình) tóm tắt hiệu suất và được ưu tiên hơn ROC-AUC trên dữ liệu mất cân bằng cao.
Tác động chiến lược
Quyết định rõ ràng hơn
Nó giúp bạn tách biệt các tuyên bố kỹ thuật rõ ràng khỏi ngôn ngữ tiếp thị.
Chi phí và ngân sách
Bạn có thể đặt các câu hỏi triển khai tốt hơn trước khi chi tiền hoặc thời gian.
Nhóm và quy trình làm việc
Các nhóm có sự hiểu biết chung sẽ đưa ra các quyết định về sản phẩm, chính sách và học tập tốt hơn.
Tương lai của độ chính xác và thu hồi
Khi AI thâm nhập vào các lĩnh vực có tính đặt cược cao — chẩn đoán y tế, kiểm duyệt nội dung, gian lận — các nhóm ngày càng báo cáo độ chính xác và khả năng thu hồi (và đường cong của chúng) thay vì chỉ độ chính xác, đồng thời điều chỉnh các ngưỡng để phù hợp với chi phí trong thế giới thực và các hạn chế về tính công bằng. Kiểm tra độ chính xác/thu hồi theo từng nhóm đang trở thành tiêu chuẩn để phát hiện tỷ lệ lỗi khác nhau trên các nhóm nhân khẩu học. Mong đợi các số liệu nhạy cảm về chi phí phong phú hơn, xác suất được hiệu chỉnh và công cụ cho phép các bên liên quan chọn điểm vận hành một cách tương tác thay vì chấp nhận ngưỡng 0,5 mặc định.
Triển khai trong thế giới thực
Bộ lọc thư rác được điều chỉnh để có độ chính xác cao nên các email hợp pháp hầu như không bao giờ bị gửi nhầm vào thư mục thư rác.
Các xét nghiệm sàng lọc y tế ưu tiên thu hồi cao để tránh bỏ sót những bệnh nhân thực sự mắc bệnh, chấp nhận nhiều kết quả dương tính giả hơn để theo dõi.
Hệ thống tìm kiếm và đề xuất báo cáo Precision@k (có bao nhiêu kết quả trong số k kết quả hàng đầu có liên quan) để đo lường chất lượng xếp hạng.
Việc phát hiện gian lận cân bằng giữa độ chính xác và thu hồi thông qua điểm F1, vì cả cảnh báo sai và gian lận bị bỏ sót đều gây tốn kém.
Rủi ro & lan can
Các nhóm khác nhau có thể sử dụng cùng một thuật ngữ một cách khác nhau, vì vậy hãy sớm xác định phạm vi.
Điểm chuẩn có thể trông mạnh mẽ trong khi hiệu suất trong thế giới thực không đồng đều.
Việc bỏ qua các kế hoạch đánh giá và chất lượng dữ liệu thường tạo ra những kết quả mong manh.
Lộ trình thực hiện
Bắt đầu với một định nghĩa đơn giản về kết quả bạn cần.
Chọn một số liệu thành công và một điều kiện thất bại trước khi thử nghiệm.
Chạy một thử nghiệm nhỏ với dữ liệu đại diện chứ không phải một bản demo bóng bẩy.
Tài liệu giúp ích về Độ chính xác và Thu hồi cũng như nơi các phương pháp đơn giản hơn sẽ tốt hơn.
Tiếp tục khám phá
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
Hướng dẫn tiếp theo
Tempus AI trong y học chính xác
Câu hỏi thường gặp
Độ chính xác và thu hồi là gì?
Độ chính xác và thu hồi là hai số liệu bổ sung cho nhau để đánh giá các bộ phân loại, đặc biệt khi các lớp bị mất cân bằng. Họ cùng nhau tiết lộ điều mà độ chính xác đơn giản ẩn giấu - tần suất các dự đoán tích cực của một mô hình là đúng và bao nhiêu mặt tích cực thực sự mà nó thực sự thu được.
Điều gì tiếp theo cho Độ chính xác và Thu hồi?
Khi AI thâm nhập vào các lĩnh vực có tính đặt cược cao — chẩn đoán y tế, kiểm duyệt nội dung, gian lận — các nhóm ngày càng báo cáo độ chính xác và khả năng thu hồi (và đường cong của chúng) thay vì chỉ độ chính xác, đồng thời điều chỉnh các ngưỡng để phù hợp với chi phí trong thế giới thực và các hạn chế về tính công bằng. Kiểm tra độ chính xác/thu hồi theo từng nhóm đang trở thành tiêu chuẩn để phát hiện tỷ lệ lỗi khác nhau trên các nhóm nhân khẩu học. Mong đợi các số liệu nhạy cảm về chi phí phong phú hơn, xác suất được hiệu chỉnh và công cụ cho phép các bên liên quan chọn điểm vận hành một cách tương tác thay vì chấp nhận ngưỡng 0,5 mặc định.
Trả lời chính xác câu hỏi nào?
Độ chính xác = TP / (TP + FP) đo lường tính chính xác của các dự đoán tích cực của mô hình - mức độ tin cậy của một lá cờ tích cực.
Tại sao độ chính xác và khả năng thu hồi lại được ưu tiên hơn độ chính xác đơn giản đối với các tập dữ liệu có độ mất cân bằng cao?
Vì cả hai số liệu đều không sử dụng số âm thực nên chúng không bị thổi phồng bởi một lớp phủ định lớn, dễ dự đoán như độ chính xác.