Метрики классификации: accuracy, precision, recall, F1

~5 минут · 1 пример · 3 вопроса

Почему «точность» (accuracy) обманчива и какие метрики показывают правду.

Метрика — число, которым измеряют качество модели на тестовых данных.

Матрица ошибок

Для бинарной классификации все предсказания делятся на четыре типа. Пусть «1» — это положительный класс (например, «болен»):

  • TP (true positive) — верно предсказали «1» (болен и определили как больного).
  • FP (false positive) — ложная тревога: предсказали «1», а на деле «0» (здорового назвали больным).
  • TN (true negative) — верно предсказали «0».
  • FN (false negative) — пропуск: предсказали «0», а на деле «1» (больного назвали здоровым).

Эти четыре числа и есть матрица ошибок. Из них считают все метрики.

Четыре метрики и их смысл

  • Accuracy (точность общая) = доля верных ответов = (TP+TN) / всего. Проста, но обманчива при перекосе классов.
  • Precision (точность положительных) = TP / (TP+FP). Из тех, кого назвали «1», сколько действительно «1». Высокая precision — мало ложных тревог.
  • Recall (полнота) = TP / (TP+FN). Из всех реальных «1» сколько поймали. Высокий recall — мало пропусков.
  • F1 — баланс precision и recall (их гармоническое среднее). Хорош, когда важны обе.

Почему accuracy обманывает

Пусть болен 1 человек из 100. Модель, которая всем говорит «здоров», даёт accuracy 99% — и при этом бесполезна: ни одного больного не нашла. Recall у неё 0. Вот почему при редком классе смотрят на precision и recall, а не на одну accuracy.

Precision vs recall: компромисс

Что дороже ошибитьсяВажнее метрикаПример
Пропустить положительныйRecallДиагностика болезни
Поднять ложную тревогуPrecisionБлокировка письма как спама

Поднимая порог классификатора, обычно растёт precision, но падает recall, и наоборот. Идеала «и то, и другое по максимуму» не бывает — выбирают под задачу.

Считаем все метрики на Python

Без библиотек, на двух списках. Код запускается:

# 1 = положительный класс
y_true = [1, 0, 1, 1, 0, 1, 0, 0, 1, 0]
y_pred = [1, 0, 1, 0, 0, 1, 1, 0, 1, 0]

tp = fp = tn = fn = 0
for t, p in zip(y_true, y_pred):
    if t == 1 and p == 1: tp += 1
    elif t == 0 and p == 1: fp += 1
    elif t == 0 and p == 0: tn += 1
    elif t == 1 and p == 0: fn += 1

print("TP =", tp, "FP =", fp, "TN =", tn, "FN =", fn)

accuracy = (tp + tn) / len(y_true)
precision = tp / (tp + fp)
recall = tp / (tp + fn)
f1 = 2 * precision * recall / (precision + recall)

print("Accuracy  =", round(accuracy, 2))
print("Precision =", round(precision, 2))
print("Recall    =", round(recall, 2))
print("F1        =", round(f1, 2))
Ожидаемый вывод
TP = 4 FP = 1 TN = 4 FN = 1
Accuracy  = 0.8
Precision = 0.8
Recall    = 0.8
F1        = 0.8

Поменяйте предсказания в y_pred и проследите, как смещаются precision и recall, — это лучший способ прочувствовать метрики.

Итог

  • Матрица ошибок (TP, FP, TN, FN) — основа всех метрик классификации.
  • Accuracy обманчива при редком классе; смотрите precision и recall.
  • Precision — мало ложных тревог; recall — мало пропусков; F1 — их баланс.
  • Выбор метрики зависит от того, какая ошибка дороже в вашей задаче.

Проверь себя

Три вопроса по уроку. Ответы никуда не идут — это для тебя.

1Почему accuracy может вводить в заблуждение?

2Что измеряет recall (полнота)?

3Для диагностики опасной болезни какую метрику обычно важнее максимизировать?

Следующий урок
22 · Метрики регрессии: MAE и RMSE Открыть урок 22
Урок 20: Кросс-валидация