| dbo:abstract
|
- En reconeixement de patrons, recuperació d'informació i classificació (aprenentatge automàtic), la precisió és la fracció de casos veritablement positius entre els casos seleccionats com a positius. El reclam (també anomenat sensibilitat, quan es compara amb l'especificitat) és la fracció de casos veritablement positius entre els casos rellevants. Tant la precisió com el reclam són mesures de la rellevància. Suposem que un programa d'ordinador per a reconèixer gossos en fotografies identifica 8 gossos a una fotografia que conté 12 gossos i alguns gats. Dels 8 identificats com a gossos, 5 són realment gossos (veritables positius), mentre que la resta són gats (falsos positius). La precisió del programa és 5/8 i el reclam és 5/12. O suposem un motor de cerca que retorna 30 pàgines. D'aquestes, només 20 són rellevants, mentre que en falten 40 de rellevants per retornar. La precisió del motor és 20/30 = 2/3 i el reclam és 20/60 = 1/3. Així doncs, en aquest cas, la precisió és "quant d'útils són els resultats" i el reclam és "quant de complets són els resultats". (ca)
- الدقة والإرجاع هو مفهوم في الرياضيات وفي علم الحاسوب المختص في مجال استرجاع المعلومات. الدقة هي معيار يقاس من خلال حساب عدد النتائج المتعلقة بالبحث على عدد النتائج المسترجعة الكلية. بينما الإرجاع يقاس من خلال حساب عدد النتائج المتعلقة بالبحث على عدد النتائج الكلية.لنفرض ان هناك جهاز يستطيع اكتشاف مرض سرطان الرئة من خلال الصور. قام هذا الجهاز بإرجاع 7 نتائج, 4 منها نتائج صحيحة وثلاثة خاظئة، وعدد الصور الكلية التي تحتوي على مرض سرطان الرئة هي 9. في هذه الحالة نقول أن معيار الدقة هو 4/7 بينما مقياس الإرجاع هو 4/9.لنأخذ مثال آخر: في حالة عمل عملية بحث عن سيارة جاغوار، لو كانت النتائج المرتجعة هي 20 صورة لسيارة الجاعوار وعشرة صور لحيوان الجاغوار تكون الدقة 20/30 بينما هناك 40 صورة أخرى لسيارة الجاغوار لم يتم استرجاعها من خلال محرك البحث، عندئذ نقول أن مقياس الإرجاع هو 20/60 (ar)
- , esperimentazioan, diagnostikoan eta informazioaren berreskurapenean doitasuna eta estaldura elementu multzo bat hautematean izandako eraginkortasunaren neurriak dira. Doitasuna hautemandako elementu guztietan zuzen hautemandako elementuen proportzioa da eta estaldura hauteman beharreko elementu guztietatik hautemandako elementuen proportzioa da. Adibidez, espezie bateko 20 aleetatik gaixo daudenak hauteman behar dira eta 8 ale dira gaixotzat jo direnak, horietatik 6 benetako gaixoak izanik; datu horietatik doitasuna 6/8=%75 da (hau da, hautemandako gaixo guztietatik %75 dira benetako gaixoak) eta estaldura 6/20=%30 da (hau da, gaixo guztietatik %30a hauteman da). (eu)
- La precisión y exhaustividad (denominado a veces como exhaustividad y precisión) es una métrica empleada en la medida del rendimiento de los sistemas de búsqueda y recuperación de información y reconocimiento de patrones. En este contexto se denomina precisión (denominado igualmente valor positivo predicho) como a la fracción de instancias recuperadas que son relevantes, mientras recall (denominado igualmente sensibilidad o exhaustividad) es la fracción de instancias relevantes que han sido recuperadas. Tanto la precisión como la exhaustividad son entendidas como medidas de la relevancia. Para entender mejor el concepto, supongamos de la existencia de un programa que reconoce perros en fotografías, dicho programa reconoce 7 perros en una escena que contiene 9 perros y algunos gatos. Si 4 de las identificaciones han sido correctas, pero 3 eran gatos, el programa tendrá una precisión de 4/7 mientras que posee una sensibilidad de 4/9. Otro ejemplo en el que participa un motor de búsqueda que, ante una consulta dada, retorna 30 páginas de las cuales sólo 20 son relevantes dejando 40 páginas relevantes fuera de la búsqueda. Este motor tendrá entonces una precisión de 20/30 = 2/3 mientras que su sensibilidad es 20/60 = 1/3. Para un usuario la situación ideal es aquella en la que existe una precisión y exhaustividad alta (es decir muy cercana a 1). A esta situación se la denomina utilidad teórica. Con el objeto de ponderar y ver cual lejano se encuentran ambas medidas del la utilidad teórica, suele emplearse los valores de ambas métricas combinadas en una media armónica denominada valor-F. (es)
- In pattern recognition, information retrieval, object detection and classification (machine learning), precision and recall are performance metrics that apply to data retrieved from a collection, corpus or sample space. Precision (also called positive predictive value) is the fraction of relevant instances among the retrieved instances, while recall (also known as sensitivity) is the fraction of relevant instances that were retrieved. Both precision and recall are therefore based on relevance. Consider a computer program for recognizing dogs (the relevant element) in a digital photograph. Upon processing a picture which contains ten cats and twelve dogs, the program identifies eight dogs. Of the eight elements identified as dogs, only five actually are dogs (true positives), while the other three are cats (false positives). Seven dogs were missed (false negatives), and seven cats were correctly excluded (true negatives). The program's precision is then 5/8 (true positives / selected elements) while its recall is 5/12 (true positives / relevant elements). When a search engine returns 30 pages, only 20 of which are relevant, while failing to return 40 additional relevant pages, its precision is 20/30 = 2/3, which tells us how valid the results are, while its recall is 20/60 = 1/3, which tells us how complete the results are. Adopting a hypothesis-testing approach from statistics, in which, in this case, the null hypothesis is that a given item is irrelevant, i.e., not a dog, absence of type I and type II errors (i.e. perfect specificity and sensitivity of 100% each) corresponds respectively to perfect precision (no false positive) and perfect recall (no false negative). More generally, recall is simply the complement of the type II error rate, i.e. one minus the type II error rate. Precision is related to the type I error rate, but in a slightly more complicated way, as it also depends upon the prior distribution of seeing a relevant vs an irrelevant item. The above cat and dog example contained 8 − 5 = 3 type I errors (false positives) out of 10 total cats (true negatives), for a type I error rate of 3/10, and 12 − 5 = 7 type II errors, for a type II error rate of 7/12. Precision can be seen as a measure of quality, and recall as a measure of quantity. Higher precision means that an algorithm returns more relevant results than irrelevant ones, and high recall means that an algorithm returns most of the relevant results (whether or not irrelevant ones are also returned). (en)
- Dans les domaines de la reconnaissance de formes, de la recherche d'information et de la classification automatique, la précision (ou valeur prédictive positive) est la proportion des items pertinents parmi l'ensemble des items proposés ; le rappel (ou sensibilité) est la proportion des items pertinents proposés parmi l'ensemble des items pertinents. Ces deux notions correspondent ainsi à une conception et à une mesure de la pertinence. Lorsqu'un moteur de recherche, par exemple, retourne 30 pages web dont seulement 20 sont pertinentes (les vrais positifs) et 10 ne le sont pas (les faux positifs), mais qu'il omet 40 autres pages pertinentes (les faux négatifs), sa précision est de 20/(20+10) = 2/3 et son rappel vaut 20/(20+40) = 1/3. La précision peut ainsi être comprise comme une mesure de l'exactitude ou de la qualité, tandis que le rappel est une mesure de l'exhaustivité ou de la quantité. (fr)
- Precisione e recupero, o richiamo (in inglese precision e recall) sono due comuni classificazioni statistiche, utilizzate in diversi ambiti del sapere, come per es. l'information retrieval. La precisione può essere vista come una misura di esattezza o fedeltà, mentre il recupero è una misura di completezza. Nell'Information Retrieval, la precisione è definita come il numero di documenti attinenti recuperati da una ricerca diviso il numero totale di documenti recuperati dalla stessa ricerca, e il recupero è definito come il numero di documenti attinenti recuperati da una ricerca diviso il numero totale di documenti attinenti esistenti (che dovrebbe essere stato recuperato). In un processo di classificazione statistica, la precisione per una classe è il numero di veri positivi (il numero di oggetti etichettati correttamente come appartenenti alla classe) diviso il numero totale di elementi etichettati come appartenenti alla classe (la somma di veri positivi e falsi positivi, che sono oggetti etichettati erroneamente come appartenenti alla classe).Recupero in questo contesto è definito come il numero di veri positivi diviso il numero totale di elementi che effettivamente appartengono alla classe (per esempio la somma di veri positivi e falsi negativi, che sono oggetti che non sono stati etichettati come appartenenti alla classe ma dovrebbero esserlo). Nell'Information Retrieval, un valore di precisione di 1.0 significa che ogni risultato recuperato da una ricerca è attinente mentre un valore di recupero pari a 1.0 significa che tutti i documenti attinenti sono stati recuperati dalla ricerca. In un processo di classificazione, un valore di precisione di 1.0 per la classe C significa che ogni oggetto che è stato etichettato come appartenente alla classe C vi appartiene davvero (ma non dice niente sul numero di elementi della classe C che non sono stati etichettati correttamente) mentre un valore di recupero pari ad 1.0 significa che ogni oggetto della classe C è stato etichettato come appartenente ad essa (ma non dice niente sul numero di elementi etichettati non correttamente con C). (it)
- 이진 분류 기법(binary classification)을 사용하는 패턴 인식과 정보 검색 분야에서, 정밀도는 검색된 결과들 중 관련 있는 것으로 분류된 결과물의 비율이고, 재현율은 관련 있는 것으로 분류된 항목들 중 실제 검색된 항목들의 비율이다. 따라서 정밀도와 재현율 모두 관련도(Relevance)의 측정 기준 및 지식을 토대로 하고 있다. (ko)
- Em reconhecimento de padrões e recuperação de informações com classificação binária, precisão (também chamada de valor preditivo positivo) é a fração de instâncias recuperadas que são relevantes, enquanto revocação (também conhecida como sensibilidade) é a fração de instâncias relevantes que são recuperadas. Tanto precisão quanto revocação (ou recall) são, portanto, bases para o estudo e compreensão da medida de relevância. Suponha que um programa de computador para o reconhecimento de cães em cenas de um vídeo identifica 7 cães em uma cena contendo 9 cães e alguns gatos. Se 4 das identificações estão corretas, mas 3 são, na verdade, gatos, a precisão do programa é 4/7 enquanto a sua revocação é 4/9. Quando um motor de pesquisa retorna 30 páginas mas dessas apenas 20 são relevantes enquanto deixa de retornar 40 outras páginas relevantes a precisão é de 20/30 = 2/3 enquanto a revocabilidade 20/60 = 1/3. Precisão, neste caso, é ''o quanto os resultados da pesquisa são úteis'', enquanto revocabilidade é ''o quão completos os resultados estão''. Em estatística, se a hipótese nula é de que todos (e somente) os itens relevantes são recuperados, a ausência de erros tipo I e tipo II correspondem, respectivamente, à precisão máxima (sem falsos positivos) e revocabilidade máxima (sem falsos negativos). No exemplo apresentado, o padrão de reconhecimento contem 7 - 4 = 3 erros tipo I e 9 - 4 = 5 erros tipo II. Precisão pode ser traduzida como uma medida de exatidão ou qualidade, enquanto que revocabilidade é a medida de completude ou quantidade. Em termos simples, alta precisão significa que o algoritmo retornou substancialmente mais resultados relevantes que irrelevantes, enquanto alta revocabilidade significa que o algoritmo retornou a maioria dos resultados relevantes. (pt)
- В розпізнаванні образів, інформаційному пошуку та класифікації, влу́чність (англ. precision, яку також називають прогностичною значущістю позитивного результату) є часткою релевантних зразків серед знайдених, тоді як повнота́ (англ. recall, відома також як чутливість) є часткою загального числа позитивних зразків, яку було дійсно знайдено. Як влучність, так і повнота, відтак ґрунтуються на розумінні та мірі релевантності. Влучність не слід плутати з (англ. accuracy), яка є часткою правильно спрогнозованих результатів, як позитивних, так і негативних. Влучність стосується лише позитивних результатів. Нехай комп'ютерна програма для розпізнавання собак на фотографіях виявила 8 собак на зображенні, що містить 10 котів та 12 собак (власне релевантних елементів). Серед 8 ідентифікованих як собаки 5 і справді є собаками (істинно позитивні), тоді як інші 3 є котами (хибно позитивні). 7 собак було пропущено (хибно негативні), а 7 котів було виключено правильно (істинно негативні). Влучність цієї програми становить 5/8 (істинно позитивні / всі позитивні), тоді як повнота — 5/12 (істинно позитивні / релевантні елементи). Коли пошуковий рушій повертає 30 сторінок, лише 20 з яких є релевантними, в той же час виявляючись нездатним повернути 40 додаткових релевантних сторінок, його влучність становить 20/30 = 2/3, тоді як повнота — 20/60 = 1/3. Тож, у цьому випадку, влучність показує, «наскільки правильними є результати», тоді як повнота — «наскільки повними є результати». Якщо застосовувати підхід перевірки гіпотез зі статистики, в якому, в цьому випадку, нульова гіпотеза полягає в тім, що заданий зразок є нерелевантним, тобто, не собакою, то відсутність помилок першого і другого роду (тобто, ідеальні чутливість та специфічність у 100 % кожна) відповідає, відповідно, ідеальній влучності (без хибно позитивних) та ідеальній повноті (без хибно негативних). Загальніше, повнота є просто доповненням рівня помилок II роду, тобто, одиниця мінус рівень помилок II роду. Влучність пов'язана з рівнем помилок I роду, але дещо складнішим чином, оскільки вона також залежить від апріорного розподілу спостерігання релевантного, чи нерелевантного зразка. Наведений вище приклад із котами та собаками містив 8 − 5 = 3 помилки I роду, що давало рівень помилок I роду 3/10, та 12 − 5 = 7 помилок II роду, що давало рівень помилок II роду 7/12. Влучність можливо розглядати як рівень якості, тоді як повноту — як рівень кількості. Вища влучність означає, що алгоритм видає більше релевантних зразків, ніж нерелевантних, а висока повнота означає, що алгоритм видає більшість із релевантних результатів (незалежно від того, чи він також видає й нерелевантні). (uk)
|
| rdfs:comment
|
- الدقة والإرجاع هو مفهوم في الرياضيات وفي علم الحاسوب المختص في مجال استرجاع المعلومات. الدقة هي معيار يقاس من خلال حساب عدد النتائج المتعلقة بالبحث على عدد النتائج المسترجعة الكلية. بينما الإرجاع يقاس من خلال حساب عدد النتائج المتعلقة بالبحث على عدد النتائج الكلية.لنفرض ان هناك جهاز يستطيع اكتشاف مرض سرطان الرئة من خلال الصور. قام هذا الجهاز بإرجاع 7 نتائج, 4 منها نتائج صحيحة وثلاثة خاظئة، وعدد الصور الكلية التي تحتوي على مرض سرطان الرئة هي 9. في هذه الحالة نقول أن معيار الدقة هو 4/7 بينما مقياس الإرجاع هو 4/9.لنأخذ مثال آخر: في حالة عمل عملية بحث عن سيارة جاغوار، لو كانت النتائج المرتجعة هي 20 صورة لسيارة الجاعوار وعشرة صور لحيوان الجاغوار تكون الدقة 20/30 بينما هناك 40 صورة أخرى لسيارة الجاغوار لم يتم استرجاعها من خلال محرك البحث، عندئذ نقول أن مقياس الإرجاع هو 20/60 (ar)
- , esperimentazioan, diagnostikoan eta informazioaren berreskurapenean doitasuna eta estaldura elementu multzo bat hautematean izandako eraginkortasunaren neurriak dira. Doitasuna hautemandako elementu guztietan zuzen hautemandako elementuen proportzioa da eta estaldura hauteman beharreko elementu guztietatik hautemandako elementuen proportzioa da. Adibidez, espezie bateko 20 aleetatik gaixo daudenak hauteman behar dira eta 8 ale dira gaixotzat jo direnak, horietatik 6 benetako gaixoak izanik; datu horietatik doitasuna 6/8=%75 da (hau da, hautemandako gaixo guztietatik %75 dira benetako gaixoak) eta estaldura 6/20=%30 da (hau da, gaixo guztietatik %30a hauteman da). (eu)
- 이진 분류 기법(binary classification)을 사용하는 패턴 인식과 정보 검색 분야에서, 정밀도는 검색된 결과들 중 관련 있는 것으로 분류된 결과물의 비율이고, 재현율은 관련 있는 것으로 분류된 항목들 중 실제 검색된 항목들의 비율이다. 따라서 정밀도와 재현율 모두 관련도(Relevance)의 측정 기준 및 지식을 토대로 하고 있다. (ko)
- En reconeixement de patrons, recuperació d'informació i classificació (aprenentatge automàtic), la precisió és la fracció de casos veritablement positius entre els casos seleccionats com a positius. El reclam (també anomenat sensibilitat, quan es compara amb l'especificitat) és la fracció de casos veritablement positius entre els casos rellevants. Tant la precisió com el reclam són mesures de la rellevància. (ca)
- La precisión y exhaustividad (denominado a veces como exhaustividad y precisión) es una métrica empleada en la medida del rendimiento de los sistemas de búsqueda y recuperación de información y reconocimiento de patrones. En este contexto se denomina precisión (denominado igualmente valor positivo predicho) como a la fracción de instancias recuperadas que son relevantes, mientras recall (denominado igualmente sensibilidad o exhaustividad) es la fracción de instancias relevantes que han sido recuperadas. Tanto la precisión como la exhaustividad son entendidas como medidas de la relevancia. Para entender mejor el concepto, supongamos de la existencia de un programa que reconoce perros en fotografías, dicho programa reconoce 7 perros en una escena que contiene 9 perros y algunos gatos. Si 4 (es)
- In pattern recognition, information retrieval, object detection and classification (machine learning), precision and recall are performance metrics that apply to data retrieved from a collection, corpus or sample space. Precision (also called positive predictive value) is the fraction of relevant instances among the retrieved instances, while recall (also known as sensitivity) is the fraction of relevant instances that were retrieved. Both precision and recall are therefore based on relevance. (en)
- Dans les domaines de la reconnaissance de formes, de la recherche d'information et de la classification automatique, la précision (ou valeur prédictive positive) est la proportion des items pertinents parmi l'ensemble des items proposés ; le rappel (ou sensibilité) est la proportion des items pertinents proposés parmi l'ensemble des items pertinents. Ces deux notions correspondent ainsi à une conception et à une mesure de la pertinence. (fr)
- Precisione e recupero, o richiamo (in inglese precision e recall) sono due comuni classificazioni statistiche, utilizzate in diversi ambiti del sapere, come per es. l'information retrieval. La precisione può essere vista come una misura di esattezza o fedeltà, mentre il recupero è una misura di completezza. Nell'Information Retrieval, un valore di precisione di 1.0 significa che ogni risultato recuperato da una ricerca è attinente mentre un valore di recupero pari a 1.0 significa che tutti i documenti attinenti sono stati recuperati dalla ricerca. (it)
- Em reconhecimento de padrões e recuperação de informações com classificação binária, precisão (também chamada de valor preditivo positivo) é a fração de instâncias recuperadas que são relevantes, enquanto revocação (também conhecida como sensibilidade) é a fração de instâncias relevantes que são recuperadas. Tanto precisão quanto revocação (ou recall) são, portanto, bases para o estudo e compreensão da medida de relevância. Suponha que um programa de computador para o reconhecimento de cães em cenas de um vídeo identifica 7 cães em uma cena contendo 9 cães e alguns gatos. Se 4 das identificações estão corretas, mas 3 são, na verdade, gatos, a precisão do programa é 4/7 enquanto a sua revocação é 4/9. Quando um motor de pesquisa retorna 30 páginas mas dessas apenas 20 são relevantes enquan (pt)
- В розпізнаванні образів, інформаційному пошуку та класифікації, влу́чність (англ. precision, яку також називають прогностичною значущістю позитивного результату) є часткою релевантних зразків серед знайдених, тоді як повнота́ (англ. recall, відома також як чутливість) є часткою загального числа позитивних зразків, яку було дійсно знайдено. Як влучність, так і повнота, відтак ґрунтуються на розумінні та мірі релевантності. Влучність не слід плутати з (англ. accuracy), яка є часткою правильно спрогнозованих результатів, як позитивних, так і негативних. Влучність стосується лише позитивних результатів. (uk)
|
