Chúng ta có thể đánh giá mô hình dựa trên việc thay đổi một ngưỡng và quan sát giá trị của Precision và Recall. Khái niệm AP (Average Precision) cũng được định nghĩa như vậy và được dùng như một độ đo phổ biến trong việc đo lường độ chính xác của các mô hình Object Detection. Chúng ta tìm hiểu các định nghĩa các TP / FP / FN.
• TP (True Positive): số lượng điểm dữ liệu đúng được model dự đoán đúng. • FP (False Positive): số lượng điểm dữ liệu sai được model dự đoán đúng. • FN (False Negative): số lượng điểm dữ liệu đúng được model dự đoán là sai. • TN (True Negative): số lượng điểm dữ liệu sai được model dự đoán đúng.
42
Hình 3-5: Precision and recall [20]
Theo công thức, Precision là tỉ lệ model dự đoán tích cực và đúng với thực tế chia cho tỉ lệ model dự đoán tích cực và đúng với thực tế + tỉ lệ dự đoán tiêu cực và sai với thực tế. Nếu Precision cao đồng nghĩa với việc độ chính xác của các điểm tìm được là cao.
Recall là tỉ lệ model dự đoán tích cực và đúng với thực tế chia cho tỉ lệ model dự đoán tích cực và đúng với thực tế + tỉ lệ dự đoán tiêu cực và sai với thực tế. Recall cao đồng nghĩa với việc tỉ lệ True Positive cao, tức là tỉ lệ bỏ sót các điểm thực sự là Positive là thấp.
Precision và Recall luôn nằm trong đoạn giá trị [0,1]. Tuy nhiên ta sẽ không thể nào chỉ dựa vào điểm Precision cao hay Recall cao để đánh giá mô hình thật sự tốt, vì đối với từng bài toán các giá trị sẽ có ý nghĩa riêng.