در تشخیص الگو, بازگردانی داده, و تشخیص شیء و دسته بندی, ۲ مفهوم «دقَّت» و «recall» وجود دارد.

تعریف

منظور از درست مثبت یا TP مخفف true positive تشخیص هایی هستند که به درستی مرتبط درنظر گرفته شده‌اند.

منظور از غلط منفی یا FN مخفف false negative نتیجه آزمایشی است که به اشتباه گمان می‌کند شرایط یا ویژگی‌ای وجود ندارد.

دقَّت

دقَّت به انگلیسی precision کسرِ اشیاء بازگردانده شده مرتبط است.

مدلی که هیچ false positive تولید نمی‌کند, دارای دقَّت ۱.۰ است.

What proportion of positive identifications was actually correct?

recall

بازخواهی recall یا sensitivity کسر اشیاء مرتبطی هستند که بازگردانده شدند.

What proportion of actual positives was identified correctly?

مثال

تشخیص تصویر

یک الگوریتم یادگیری ماشین, در یک تصویر حاوی ۱۲ عکس سگ, و ۱۰ عکس گربه, ۸ مورد سگ تشخیص می‌دهد که تنها ۵ مورد سگ هستند, و بقیه ۳ مورد دیگر گربه هستند؛ مقدار recall و دقَّت چقدر است؟

پاسخ) مقدار TP برابر ۵ است, و FP برابر ۳, و تصویر ۷ سگ جا افتاده که یعنی FN نیز برابر ۷ است. پس دقَّت برابر $5\over{8}$ و recall برابر $5\over{12}$ است.

موتور جستجو

وقتی موتور جستجو ۳۰ صفحه را بازمی‌گرداند و فقط ۲۰ موردش مرتبط هستند و به اشتباهاً ۴۰ مورد دیگر که مرتبط بودند را بازنمی‌گرداند. مقدار precision برابر با ۲۰/۳۰ = ۲/۳ و مقدار recall برابر با ۲۰/۶۰ = ۱/۳ است.

پیوند ها

• Classification: Precision and Recall