Изменения
Обновление конспекта (Часть 3): "Добавить инфу про различные виды агрегации Precision и Recall"
* '''Recall'''
: <tex>Recall_W = \dfrac{\sum\limits_{i = 1}^{N} T_i}{All}</tex>
= Различные виды агрегации Precision и Recall =
'''Арифметическое среднее:'''
: <tex>A = \dfrac{1}{2} (precision + recall)</tex>
* Если precision = 0.05, recall = 1, то A = 0.525
* Если precision = 0.525, recall = 0.525, то A = 0.525.
* Первый классификатор — константный, не имеет смысла.
* Второй классификатор показывает неплохое качество.
Таким образом, взятие среднего арифметического не является показательным.
'''Минимум:'''
: <tex>M = min(precision, recall)</tex>
* Если precision = 0.05, recall = 1, то M = 0.05
* Если precision = 0.525, recall = 0.525, то M = 0.525.
То есть, довольно неплохо отражает качество классификатора, не завышая его.
* Если precision = 0.2, recall = 1, то M = 0.2.
* Если precision = 0.2, recall = 0.3, то M = 0.2.
Но не отличает классификаторы с разными неминимальными показателями.
'''Гармоническое среднее, или F-мера:'''
* Если precision = 0.05, recall = 1, то F = 0.1.
* Если precision = 0.525, recall = 0.525, то F = 0.525.
* Если precision = 0.2, recall = 1, то F = 0.33.
* Если precision = 0.2, recall = 0.3, то F = 0.24.
Является наиболее точным усреднением, учитывает оба показателя.
: <tex>F = \dfrac{2 ∗ precision ∗ recall}{precision + recall}</tex>
= ROC кривая =
