MCDMClassification Metric
Kepersisan
Kepersisan mengukur proporsi prediksi positif yang sebenarnya benar. Ini menjawab pertanyaan: 'Dari semua kasus yang kami prediksi sebagai positif, berapa banyak yang benar-benar positif?' Kepersisan sangat penting dalam skenario di mana positif palsu sangat merugikan.
Baca kaedah sepenuhnya
Ahli sahaja
Log masukLog masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Precision (Positive Predictive Value). ScholarGate. https://scholargate.app/ms/model-evaluation/precision
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.
- KetepatanPenilaian Model↔ compare
- Skor F1Penilaian Model↔ compare
- Koefisien Korelasi MatthewsPenilaian Model↔ compare
- Deria (Sensitiviti)Penilaian Model↔ compare
- Ketepatan (Specificity)Penilaian Model↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →