Precisão

A precisão mede a proporção de previsões que o modelo faz que estavam realmente corretas. Isso significa que identifica qual proporção era de verdadeiros positivos de todas as previsões positivas que o modelo fez.

Precisão = verdadeiros positivos / (verdadeiros positivos + falsos positivos)

Por exemplo, para cada 100 mensagens em um conjunto de dados prevista como tendo o rótulo Solicitação de informação, a precisão é a porcentagem de vezes que a Solicitação de informação foi prevista corretamente fora do total de vezes em que foi prevista.

Uma precisão de 95% significaria que, para cada 100 mensagens previstas como tendo um rótulo específico, 95 seriam anotadas corretamente e 5 serão anotadas incorretamente, o que significa que elas não deveriam ter sido anotadas com esse rótulo.

Para uma explicação mais detalhada sobre como funciona a precisão, consulte Precisão e recall explicados.

Precisão média (AP)

A pontuação AP para um rótulo individual é calculada como a média de todas as pontuações de precisão em cada valor de recall, entre 0 e 100%, para esse rótulo.

Essencialmente, a precisão média mede o desempenho do modelo em todos os limites de confiança para esse rótulo.

Precisão média média (MAPA)

MAP é uma das medidas mais úteis do desempenho geral do modelo e é uma maneira fácil de comparar diferentes versões de modelo entre si.

A pontuação do MAP leva a média da pontuação de precisão média para cada rótulo em sua taxonomia que tenha pelo menos 20 exemplos no conjunto de treinamento usado na Validação.

Normalmente, quanto maior a pontuação do MAP, melhor o desempenho do modelo em geral, embora esse não seja o único fator que deve ser considerado ao entender o quão íntegro é um modelo. Também é importante saber que seu modelo é imparcial e tem alta cobertura.

Precisão Média no Recall

A precisão média no recall é outra métrica que mostra o desempenho geral do modelo. Ela é apresentada graficamente como uma precisão na curva de recall, média de todos os rótulos em sua taxonomia.