Precision e Recall
/prɪˈsɪʒən ənd rɪˈkɔːl/
Precision e Recall: Metriche per classificazione: Precision è positivi corretti / positivi predetti; Recall è positivi corretti / positivi reali. La precision misura l'accuratezza delle predizioni positive (evitando falsi positivi). Il recall misura la completezza (evitando falsi negativi). L'F1-score combina entrambi in una singola metrica.
In English: Precision and RecallLegge V · Overfitting, bias e collasso dei modelliConfronto: Precision o recall: quale metrica scegliere e perchéLa precision misura l'accuratezza delle predizioni positive (evitando falsi positivi). Il recall misura la completezza (evitando falsi negativi). L'F1-score combina entrambi in una singola metrica.
Formula
P = TP/(TP+FP); R = TP/(TP+FN)
Esempio numerico
tp, fp, fn = 8, 2, 4
print(tp/(tp+fp), tp/(tp+fn)) # precision 0.8, recall 0.6667Quando usarlo
Precision misura la purezza dei positivi previsti, recall la copertura dei positivi reali; si leggono insieme alla soglia.
Limiti
Migliorare una può peggiorare l’altra e nessuna usa i veri negativi; F1 e PR curve completano il quadro.
Esempi
- Diagnosi medica (alto recall)
- Rilevamento spam (alta precision)
- Information retrieval
Calcola le metriche
Modifica la matrice: precision pesa i falsi positivi, recall i falsi negativi; F1 li combina.
- Precision
- Recall
- F1
- Accuracy
Autovalutazione
Tre domande per verificare la comprensione della voce. Le spiegazioni restano disponibili anche senza JavaScript.