La differenza tra precision e recall
La precision (precisione) e il recall (sensibilità) sono due indicatori usati nel machine learning per valutare la qualità di un modello decisionale o di un modello predittivo.
Nota. La precisione e la sensibilità sono spesso correlate inversamente. Quando miglioro la precisione, peggiora la sensibilità del modello. E viceversa. Il più delle volte devo cercare un punto intermedio di equilibrio. Se poi il modello è sia preciso che sensibile... tanto meglio.
Precision (precisione)
La precisione è il rapporto tra il numero delle previsioni corrette di un evento (classe) sul totale delle volte che il modello lo prevede.
Esempio. Un antifurto è molto preciso se ogni vuolta che suona c'è un ladro in casa. Non suona se passa il gatto o un topo.
Quando un modello è preciso per una classe, ogni volta che prevede l'evento sbaglia raramente.
I falsi positivi sono pochi.
Potrebbe però non prevedere tutti gli eventi ossia non essere selettivo/sensibile.
I falsi negativi potrebbero essere molti anche se il modello è preciso.
Esempio. Un antifurto potrebbe non suonare quando c'è un ladro in casa (falso negativo). Il suo livello di precisione resterebbe comunque elevato perché la precisione non misura le volte che il modello non prevede l'evento (falsi negativi). In questo caso, il modello è preciso ma poco sensibile.
Recall (sensibilità)
Il richiamo (recall) misura la sensibilità del modello. E' il rapporto tra le previsioni corrette per una classe sul totale dei casi in cui si verifica effettivamente.
Esempio. Un antifurto è sensibile se suona ogni volta che c'è un ladro in casa. Potrebbe però suonare anche se passa un gatto o un topo.
Quando un modello è sensibile per una classe, lo prevede ogni volta che si verifica.
Potrebbe però prevederlo anche quando non si verifica.
I falsi positivi potrebbero essere molti.
Esempio. Un antifurto sensibile scatta al minimo momento in casa. Seleziona tutti i casi in cui c'è il ladro, ma anche quelli in cui passa il gatto (falso positivo). In questo caso, il modello è sensibile ma non preciso.
E così via.
