MCDMClassification Metric
تخصصیت
ویژگی، نسبت موارد منفی واقعی را که به درستی به عنوان منفی توسط طبقهبند شناسایی شدهاند، اندازهگیری میکند. این سوال را پاسخ میدهد: «از میان تمام مواردی که واقعاً منفی بودند، چند مورد را به درستی رد کردیم؟» ویژگی مکمل بازیابی است و زمانی که مثبتهای کاذب پرهزینه باشند ضروری است.
مطالعهٔ کامل روش
ویژهٔ اعضا
ورودبرای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- Fawcett, T. (2006). An introduction to ROC analysis. Pattern Recognition Letters, 27(8), 861-874. DOI: 10.1016/j.patrec.2005.10.010 ↗
- Powers, D. M. (2011). Evaluation: From Precision, Recall and F-Measure to ROC, Informedness, Markedness and Correlation. Journal of Machine Learning Technologies, 2(1), 37-63. link ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Specificity (True Negative Rate). ScholarGate. https://scholargate.app/fa/model-evaluation/specificity
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- دقت موزونارزیابی مدل↔ compare
- امتیاز F1ارزیابی مدل↔ compare
- ضریب همبستگی متیوز (MCC)ارزیابی مدل↔ compare
- دقتارزیابی مدل↔ compare
- بازیابی (حساسیت)ارزیابی مدل↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →