Spesifisyys
Spesifisyys mittaa niiden todellisten negatiivisten tapausten osuutta, jotka luokittelija tunnisti oikein negatiivisiksi. Se vastaa kysymykseen: 'Kuinka monta kaikista todella negatiivisista tapauksista hylkäsimme oikein?' Spesifisyys täydentää herkkyyttä (recall) ja on olennainen silloin, kun väärien positiivisten tulosten kustannukset ovat korkeat.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Specificity (True Negative Rate). ScholarGate. https://scholargate.app/fi/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.
- Tasapainotettu tarkkuusMallien arviointi↔ compare
- F1-pisteetMallien arviointi↔ compare
- Matthews-korrelaatiokerroinMallien arviointi↔ compare
- TarkkuusMallien arviointi↔ compare
- Tunnistus (herkkyys)Mallien arviointi↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →