Avvio veloce
-
Inserire quattro conteggi
TP, FP, FN, TN sono numeri interi non negativi.
-
Vedere Metric
I risultati sono arrotondati a quattro decimali per i log di esperimento.
Calcolo delle Metriche ML Eval
Immettere conteggi di matrice di confusione per ottenere precisione, richiamo, F1 e accuratezza per l'evaluazione di classificazione.
Privacy: elaborato localmente, mai caricato.
↓ Incolla nell 'area di input qui sotto per vedere i risultati istantaneamente
输入混淆矩阵 TP/FP/FN/TN，计算精确率、召回率、F1 与准确率。
精确率 (Precision)
0.8889
召回率 (Recall)
0.9412
F1
0.9143
准确率 (Accuracy)
0.985
Note
指标说明
适用于二分类评估。多分类或排序任务请使用对应宏/微平均或 AUC 等指标。
Immettere conteggi di matrice di confusione per ottenere precisione, richiamo, F1 e accuratezza per l'evaluazione di classificazione.
Quando usare la precisione
Con pesante squilibrio di classe, l'accuratezza fuorviante; dare la priorità alla precisione e al richiamo.
Caratteristiche e casi d'uso
Calcola accuratezza, precisione, richiamo, F1 e metriche correlate da matrici di confusione o TP / FP / FN.
Utilizza per compiti ML, controlli Kaggle, preparazione del monitoraggio della produzione e confronti A / B dei modelli.
Tipico Workflow
Per utilizzare questo strumento, prima raccogliere i dati della matrice di confusione dalle previsioni del modello: veri positivi (TP), falsi positivi (FP), falsi negativi (FN) e veri negativi (TN). Questi provengono tipicamente dal confronto delle previsioni con le etichette di verità del tuo set di test. Dopo aver immesso questi valori nei campi di input corrispondenti, fare clic su calcolare per ottenere le metriche chiave come precisione, richiamo e punteggio F1.
Per progetti pratici, si consiglia di utilizzare questo strumento regolarmente per monitorare le prestazioni del modello. Ad esempio, dopo l'ottimizzazione del modello, calcolare nuove metriche utilizzando lo stesso set di test e confrontare con i dati storici. Scattare uno screenshot o registrare i risultati nella documentazione dell 'esperimento per le discussioni del team e le decisioni di sintonizzazione del modello.
Esempi
Esempio
Input
TP=80, FP=10, FN=5, TN=905
Output
Precision 0.8889, Recall 0.9412
FAQ
Supporto multiclasse?
Solo binario; utilizzare le medie macro / micro per multiclasse.
Lo strumento salva i miei dati di input?
No. Tutti i calcoli avvengono localmente nel tuo browser senza inviare dati ai server. Gli input scompaiono quando si chiude la pagina, rendendola adatta per i dati sensibili. Per evitare perdite accidentali, ti consigliamo di eseguire il backup dei valori della matrice di confusione in anticipo.