Per entrambi i parametri, maggiore \u00e8 il valore, maggiore \u00e8 la capacit\u00e0 del modello di classificare le osservazioni in classi.<\/span><\/p>\n Tuttavia, ogni metrica viene calcolata utilizzando una formula diversa e il suo utilizzo presenta vantaggi e svantaggi.<\/span><\/p>\n L’esempio seguente mostra come calcolare ogni metrica nella pratica.<\/span><\/p>\n Supponiamo di utilizzare un modello di regressione logistica per prevedere se 400 diversi giocatori di basket universitari verranno arruolati o meno nella NBA.<\/span><\/p>\n La seguente matrice di confusione riassume le previsioni fatte dal modello:<\/span> <\/p>\n Ecco come calcolare varie metriche per la matrice di confusione:<\/span><\/p>\n Precisione:<\/strong> previsioni positive corrette rispetto alle previsioni positive totali<\/span><\/p>\n Promemoria:<\/strong> correggere le previsioni positive rispetto al totale dei positivi effettivi<\/span><\/p>\n Accuratezza:<\/strong> percentuale di tutte le osservazioni classificate correttamente<\/span><\/p>\n Punteggio F1:<\/strong> media armonica di precisione e richiamo<\/span><\/p>\n Ci sono pro e contro nell’usare il punteggio e la precisione della F1.<\/span><\/p>\n Precisione<\/strong> :<\/span><\/p>\n Pro<\/strong> : Facile da interpretare. Se diciamo che un modello \u00e8 accurato al 90%, sappiamo che ha classificato correttamente il 90% delle osservazioni.<\/span><\/p>\n Svantaggio<\/strong> : non tiene conto della distribuzione dei dati. Ad esempio, supponiamo che il 90% di tutti i giocatori non siano arruolati nella NBA. Se avessimo un modello che prevedesse semplicemente che ogni giocatore non sarebbe stato scelto per il draft, il modello predirebbe correttamente il risultato per il 90% dei giocatori. Questo valore sembra elevato, ma in realt\u00e0 il modello non \u00e8 in grado di prevedere correttamente quali giocatori verranno scelti.<\/span><\/p>\n Risultati F1<\/strong> :<\/span><\/p>\n Pro<\/strong> : considera come vengono distribuiti i dati. Ad esempio, se i dati sono molto sbilanciati (ad esempio il 90% di tutti i giocatori non sono pescati e il 10% lo \u00e8), allora il punteggio F1 fornir\u00e0 una migliore valutazione delle prestazioni del modello.<\/span><\/p>\n Svantaggio<\/strong> : pi\u00f9 difficile da interpretare. Il punteggio F1 \u00e8 un mix di precisione e richiamo del modello, il che lo rende un po’ pi\u00f9 difficile da interpretare.<\/span><\/p>\n Generalmente:<\/span><\/p>\n Usiamo spesso la precisione<\/strong> quando le classi sono bilanciate e non vi sono grossi svantaggi nel prevedere i falsi negativi.<\/span><\/p>\n Usiamo spesso il punteggio F1<\/strong> quando le classi sono sbilanciate e c’\u00e8 un grave svantaggio nel prevedere i falsi negativi.<\/span><\/p>\n Ad esempio, se utilizziamo un modello di regressione logistica per prevedere se una persona ha o meno il cancro, i falsi negativi sono davvero negativi (ad esempio prevedere che una persona non ha il cancro quando in realt\u00e0 lo ha), quindi il punteggio F1 penalizzer\u00e0 i modelli che hanno troppi falsi negativi. pi\u00f9 che precisione.<\/span><\/p>\n Regressione vs. classificazione: qual \u00e8 la differenza?<\/a> Quando si utilizzanomodelli di classificazione nell’apprendimento automatico, due metriche che utilizziamo spesso per valutare la qualit\u00e0 del modello sono il punteggio F1 e l’accuratezza . Per entrambi i parametri, maggiore \u00e8 il valore, maggiore \u00e8 la capacit\u00e0 del modello di classificare le osservazioni in classi. Tuttavia, ogni metrica viene calcolata utilizzando una formula diversa e […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n Esempio: calcolo del punteggio e della precisione F1<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/\u1405-\u1405-\u1405.png\")
<\/p>\n\n
\n
\n
\n
Quando utilizzare il punteggio F1 rispetto alla precisione<\/strong><\/span><\/h3>\n
Risorse addizionali<\/strong><\/span><\/h3>\n
Introduzione alla regressione logistica<\/a>
Come eseguire la regressione logistica in R
Come eseguire la regressione logistica in Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"