precision

توضیح

برای محاسبه، تعداد true positive را بر مجموع true positive و false positive تقسیم می‌کنیم. true positive یعنی مدل موردی را مثبت تشخیص داده و درست گفته؛ false positive یعنی موردی را به‌اشتباه مثبت تشخیص داده است. این معیار فقط پیش‌بینی‌های مثبت را بررسی می‌کند و به‌تنهایی نشان نمی‌دهد مدل چند مورد مثبت واقعی را از دست داده است.

مثال

true_positives = 150
false_positives = 50
precision = true_positives / (true_positives + false_positives)
print(precision)  # 0.75

چرا مهمه

هنگام ارزیابی مدل، به‌ویژه وقتی false positive هزینه دارد، با این معیار سروکار داری؛ مثلاً وقتی ایمیل سالم به‌اشتباه spam تشخیص داده می‌شود. مقدار بالاتر یعنی سهم کمتری از پیش‌بینی‌های مثبت اشتباه بوده‌اند.

مفهوم‌های مرتبط

• metrics
• test set
• validation set