balanced accuracy
Balanceret nøjagtighed er gennemsnittet af recall for hver klasse, ofte defineret som (sensitivity + specificity)/2.
Kort fortalt
En metrik der måler modelpræstation ved at tage gennemsnittet af recall for hver klasse, så den ikke favoriserer majoritetsklassen.
- Kategori
- metrik
- Niveau
- øvet
- Udtale
- /ˈbælənst ˈækjərəsi/
Betydninger
1- 1
En evalueringsmetrik for klassifikationsmodeller, der beregnes som gennemsnittet af recall for hver klasse (eller (sensitivity+specificity)/2 for binær klassifikation), hvilket giver et mere retvisende billede ved ubalancerede data.
- Da datasættet var stærkt ubalanceret, rapporterede vi balanced accuracy i stedet for almindelig nøjagtighed.
- Modellens balanced accuracy på 0,85 indikerer en god evne til at klassificere både majoritets- og minoritetsklassen.
Hvornår bruges det
Balanced accuracy bruges især ved ubalancerede datasæt, hvor almindelig nøjagtighed kan være misvisende. Den angives ofte som en procentdel og er implementeret i scikit-learn som sklearn.metrics.balanced_accuracy_score.
Formel
balanced_accuracy = (sensitivity + specificity) / 2 = (TP/(TP+FN) + TN/(TN+FP))/2. For multi-class: average recall per class.Kodeeksempel
from sklearn.metrics import balanced_accuracy_score
y_true = [0, 0, 0, 1, 1]
y_pred = [0, 0, 0, 0, 1]
bac = balanced_accuracy_score(y_true, y_pred)
print(bac) # Output: 0.75Eksempel på beregning af balanced accuracy med scikit-learn. Her er TPR=1, TNR=0.5, så BAC=(1+0.5)/2=0.75.
Oprindelse
Fra engelsk 'balanced accuracy' – 'balanced' betyder afbalanceret, 'accuracy' betyder nøjagtighed.