Puntuación F1 Una guía visual – Y por qué no te salvará de los datos desequilibrados

Puntuación F1 guía visual y su limitación con datos desequilibrados

TL;DR al final

Nuestro trabajo es crear un modelo para clasificar si las personas están sanas o enfermas. Se nos proporcionan datos sobre ellos, hemos creado múltiples modelos de clasificación y es hora de seleccionar el mejor.

Precisión y Recall

Una forma común de estimar el rendimiento de un modelo es medir su precisión y recall.

Precisión — Qué proporción de todos los positivos predichos son positivos reales.

• Conoce Cursive Un Marco de Inteligencia Artificial Universal e Intuitivo para Interactuar con LLMs
• Deci presenta DeciCoder un modelo de lenguaje grande de código abierto con 1 billón de parámetros para generación de código.
• Cómo interpretar los coeficientes de regresión logística

Recall — Qué proporción de todos los positivos reales en nuestros datos hemos predicho correctamente.

La precisión y el recall son métricas excelentes, pero todavía son dos números. Si quieres comparar dos modelos diferentes para decidir cuál es mejor, sería más fácil tener un número único.

Media aritmética

Una forma de combinar la precisión y el recall es simplemente su promedio (media aritmética).

Este método combina efectivamente las dos métricas en un solo valor. Sin embargo, aquí está el detalle.

Aquí, tenemos el mismo promedio. ¿Pero los modelos son igual de buenos?

El primer modelo podría estar llamando a todo en nuestro conjunto de datos un positivo sin ninguna lógica, mientras que el segundo modelo parece más útil.

Cuando buscamos un buen modelo, queremos evitar aquellos con baja precisión o recall. Probablemente no sean modelos útiles, y nos gustaría reducir la “puntuación” si uno de los números es mucho más pequeño que el otro.

We will continue to update Zepes; if you have any questions or suggestions, please contact us!