Параллельное сравнение accuracy и recall. Помогает понять, как общий корректность differs из ability для find фактический положительный случаи, особенно когда пропущенные положительные случаи являются стоимостьly.
Краткий вердикт: Используйте accuracy когда общий корректность является meaningful; используйте recall когда failing для identify фактические положительные случаи создаёт material риск.
Accuracy measures classification metric equal to the proportion of predictions that are correct among all predictions made.
Контекст: Наиболее уместно когда all classes и error типы have similar importance и dataset является не severely несбалансированный.
Recall measures evaluation metric that measures the proportion of actual positive or relevant items that a model successfully identifies.
Контекст: Наиболее уместно для обнаружение, скрининг, и безопасность-sensitive задачи где missing положительный случай является стоимостьly.
| Аспект | Accuracy | Recall |
|---|---|---|
| Что измеряет | Accuracy измеряет корректный предсказания among all предсказания. | Recall измеряет identified positives among all фактические положительные случаи. |
| Лучший вариант использования | Полезный когда classes являются сбалансированный и errors have similar стоимость. | Полезный когда пропущенные положительные случаи являются более стоимостьly than extra ложные тревоги. |
| Режим отказа | Может look high even когда модель misses много редкий но важный positives. | Может look high even когда много предсказанные положительные случаи являются ложноположительные результаты. |
| Чувствительность к порогу | Changing классификация порог может изменение accuracy посредством shifting balance корректный и incorrect предсказания. | Changing порог often directly изменения recall посредством making модель более или менее willing для identify positives. |
| Распространённая ошибка | Сообщать accuracy alone для несбалансированный или высокорисковый классификация задачи. | Maximizing recall без документировании ложноположительный trade-off или операционная нагрузка. |
В practice, accuracy является метрика наиболее likely для look reassuring а hiding problem; recall forces команды для ask что модель fails для catch.
Рассматривать high accuracy как proof что classifier является safe для редких событий обнаружение.
Сообщать recall без precision, ложноположительные результаты, или порог assumptions.
Choosing metrics до defining который error type является более вредful.
Используйте accuracy когда you need simple measure total корректный классификацияs и распределение классов делает что number meaningful. It должна не быть только метрика когда положительный случаи являются редкий или error затраты differ.
Используйте recall когда evaluation question является как много фактический положительный или релевантный items модель successfully находит. It является особенно важный в скрининг, безопасность, мошенничество, compliance, и другие settings где пропущенные положительные случаи являются стоимостьly.
Metric selection affects отчёты о валидации, assurance доказательства, и заявления о производительности в рамках AI governance-программы. NIST AI RMF и ISO 42001-style контроли должна document почему chosen метрика matches риск вариант использования.
Да. If положительный случаи являются редкий, модель может correctly classify много negative случаи still miss много фактические положительные случаи.
Нет. recall является better когда пропущенные положительные случаи являются особенно важный, а accuracy может быть полезный когда общий корректность является meaningful и class balance является reasonable.
Often yes. Reports должна explain почему each метрика является релевантный, что error trade-offs exist, и как метрика поддерживает оценка риска.
No recently viewed comparisons yet.