Specifiskums
Specifiskums mēra to faktisko negatīvo gadījumu proporciju, kurus klasifikators pareizi identificējis kā negatīvus. Tas atbild uz jautājumu: “No visiem gadījumiem, kas patiesi bija negatīvi, cik daudz mēs pareizi noraidījām?” Specifiskums papildina atsaucamību (recall) un ir būtisks, ja viltus pozitīvie ir dārgi.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Specificity (True Negative Rate). ScholarGate. https://scholargate.app/lv/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.
- Balansētā precizitāteModeļu novērtēšana↔ compare
- F1-novērtējumsModeļu novērtēšana↔ compare
- Matjūsa korelasijas koeficientsModeļu novērtēšana↔ compare
- PrecizitāteModeļu novērtēšana↔ compare
- Atcerēšanās (jutība)Modeļu novērtēšana↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →