Ketepatan (Specificity)
Ketepatan mengukur kadar kes sebenar yang negatif yang telah dikenal pasti dengan betul sebagai negatif oleh pengklasifikasi. Ia menjawab persoalan: 'Daripada semua kes yang benar-benar negatif, berapa banyak yang telah kita tolak dengan betul?' Ketepatan adalah pelengkap kepada perolehan (recall) dan penting apabila positif palsu (false positives) adalah kos yang tinggi.
Baca kaedah sepenuhnya
Log 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). Specificity (True Negative Rate). ScholarGate. https://scholargate.app/ms/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.
- Akurasi SeimbangPenilaian Model↔ compare
- Skor F1Penilaian Model↔ compare
- Koefisien Korelasi MatthewsPenilaian Model↔ compare
- KepersisanPenilaian Model↔ compare
- Deria (Sensitiviti)Penilaian Model↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →