Параллельное сравнение precision и recall. Помогает понять, как precision оценивает корректность предсказанные положительные случаи, а recall оценивает как много фактические положительные случаи were found.
Краткий вердикт: Используйте precision когда ложноположительные результаты являются стоимостьly; используйте recall когда пропущенные положительные случаи являются стоимостьly.
Precision measures classification metric that measures the proportion of predicted positives that are actually positive.
Контекст: Наиболее уместно когда incorrect положительный предсказания create стоимость, вред, или операционная нагрузка.
Recall measures evaluation metric that measures the proportion of actual positive or relevant items that a model successfully identifies.
Контекст: Наиболее уместно когда failing для detect релевантный или положительный случаи создаёт высокий риск или unacceptable loss.
| Аспект | Precision | Recall |
|---|---|---|
| Что измеряет | Precision измеряет как много предсказанные положительные случаи являются actually положительный. | Recall измеряет как много фактические положительные случаили релевантный items модель successfully идентифицирует. |
| Лучший вариант использования | Precision является важный когда ложноположительные результаты являются стоимостьly, таких как ненужная эскалация, нагрузка на проверку, или ошибочная маркировка. | Recall является важный когда пропущенные положительные случаи являются стоимостьly, таких как failing для detect риск, мошенничество, или релевантный документирует. |
| Режим отказа | Model может have high precision но low recall если it predicts positives только в easiest случаи misses много real positives. | Model может have high recall но low precision если it flags много случаи что являются не actually положительный. |
| Чувствительность к порогу | Precision often изменения когда порог принятия решения изменения потому что набор предсказанные положительные случаизменения. | Recall also изменения с порог потому что stricter пороги может miss более фактические положительные случаи looser пороги может capture более. |
| Распространённая ошибка | Распространённая ошибка — использование precision alone для claim detector является effective. | Распространённая ошибка — использование recall alone без explaining ложноположительный нагрузка. |
| Доказательства для governance | Precision доказательства поддерживает заявления about reliability положительный предсказания. | Recall доказательства поддерживает заявления about coverage фактический положительный или релевантный случаи. |
В practice, precision и recall должна редкийly быть reported в isolation. better question является который error type организация является willing для tolerate и почему.
Optimizing precision а ignoring missed положительный случаи.
Optimizing recall а ignoring ложноположительный нагрузка.
Сообщать one метрика без распределение классов или порог контекст.
Рассматривать precision и accuracy как тот же метрика.
Используйте precision когда main evaluation concern является ли положительный предсказания может быть trusted. It является особенно релевантный для workflows где ложноположительные результаты create вред, стоимость, unnecessary человеческая проверка, или misleading заявления.
Используйте recall когда main evaluation concern является ли система находит релевантный или положительный случаи. It является особенно релевантный для обнаружение, скрининг, поиск, и безопасность workflows где пропущенные положительные случаи являются стоимостьly.
Metric choice affects отчёты о валидации, принятие риска, и заявления о производительности. Under NIST AI RMF и ISO/IEC 42001 style governance, команды должна justify ли precision, recall, или both match риск scenario и предполагаемое использование.
Neither является always более важный. precision matters более когда ложноположительные результаты являются стоимостьly, а recall matters более когда пропущенные положительные случаи являются стоимостьly.
Да, но there является often tradeoff depending на модель, данные, и порог. Evaluation должна show balance, не только one number.
Changing порог изменения который случаи являются predicted как положительный. That может increase recall а reducing precision, или increase precision а reducing recall.
No recently viewed comparisons yet.