Statystyka

Dokładność kalkulator

Zgłoś błąd

Udostępnij kalkulator

Dodaj nasz darmowy kalkulator do swojej strony internetowej

Proszę wprowadzić ważny URL. Obsługiwane są tylko adresy HTTPS.
Użyj jako wartości domyślnych dla osadzonego kalkulatora to, co znajduje się obecnie w polach wprowadzania kalkulatora na stronie.
Kolor z fokusem obręczy wprowadzania, kolor zaznaczonej przełączki, kolor elementu wyboru podczas najechania itp.
Proszę zaakceptować Warunki Użytkowania.
Prévisualisation

Zapisz kalkulator

Czym jest kalkulator dokładności?

Kalkulator dokładności to narzędzie służące do określania poprawności prognoz lub wyników eksperymentalnych poprzez porównanie ich ze znanymi wartościami lub rezultatami. Jest szeroko stosowany w dziedzinach takich jak statystyka, uczenie maszynowe, testy medyczne i kontrola jakości. Dokładność wyrażana jest w procentach lub jako stosunek, odzwierciedlający, jak blisko zmierzone wartości są wartościom prawdziwym. Na przykład w diagnostyce medycznej dokładność pomaga ocenić, jak dobrze test identyfikuje prawdziwie pozytywne przypadki (chorych pacjentów) i prawdziwie negatywne (zdrowe osoby).

Wzór na dokładność

Wzór na obliczenie dokładności to:

Dokładnosˊcˊ=Prawdziwie pozytywne (TP)+Prawdziwie negatywne (TN)TP+TN+Łatwo pozytywne (FP)+Łatwo negatywne (FN)\text{Dokładność} = \frac{\text{Prawdziwie pozytywne (TP)} + \text{Prawdziwie negatywne (TN)}}{\text{TP} + \text{TN} + \text{Łatwo pozytywne (FP)} + \text{Łatwo negatywne (FN)}}

Gdzie:

  • Prawdziwie pozytywne (TP): Poprawnie zidentyfikowane przypadki pozytywne.
  • Prawdziwie negatywne (TN): Poprawnie zidentyfikowane przypadki negatywne.
  • Łatwo pozytywne (FP): Przypadki negatywne błędnie zaklasyfikowane jako pozytywne.
  • Łatwo negatywne (FN): Przypadki pozytywne błędnie zaklasyfikowane jako negatywne.

Przykłady obliczeń dokładności

Przykład 1: Test medyczny

Nowy test na COVID-19 przeprowadzono na 1 000 osób. Wyniki:

  • Prawdziwie pozytywne (TP): 45 (zakażeni i poprawnie zidentyfikowani)
  • Prawdziwie negatywne (TN): 950 (niezakażeni i poprawnie zidentyfikowani)
  • Łatwo pozytywne (FP): 0 (niezakażeni, ale błędnie oznaczeni)
  • Łatwo negatywne (FN): 5 (zakażeni, ale przeoczeni)

Korzystając ze wzoru:

Dokładnosˊcˊ=45+95045+950+0+5=9951000=0,995 lub 99,5%\text{Dokładność} = \frac{45 + 950}{45 + 950 + 0 + 5} = \frac{995}{1000} = 0,995 \ \text{lub} \ 99,5\%

Ten test wykazuje wyjątkową dokładność, poprawnie identyfikując 99,5% przypadków.

Przykład 2: Wykrywanie spamu

Filtr e-mail przetworzył 1 000 wiadomości:

  • TP: 85 (spam poprawnie oznaczony)
  • TN: 900 (nie-spam poprawnie przepuszczony)
  • FP: 15 (nie-spam błędnie oznaczony jako spam)
  • FN: 0 (spam przeoczony)

Obliczenie dokładności:

Dokładnosˊcˊ=85+90085+900+15+0=9851000=98,5%\text{Dokładność} = \frac{85 + 900}{85 + 900 + 15 + 0} = \frac{985}{1000} = 98,5\%

Pomimo 15 fałszywie pozytywnych wyników filtr osiągnął 98,5% dokładności.

Kontekst historyczny pomiaru dokładności

Pojęcie dokładności sięga czasów starożytnych cywilizacji. Na przykład babilońscy astronomowie skrupulatnie rejestrowali ruchy planet, aby dokładnie przewidywać zdarzenia niebieskie. W XIX wieku statystycy tacy jak Francis Galton kładli nacisk na precyzję w zbieraniu danych, co dało podwaliny współczesnym metrykom dokładności. Dziś dokładność jest kamieniem węgielnym w uczeniu maszynowym, gdzie modele są trenowane, aby minimalizować błędy w prognozach.

Uwagi dotyczące interpretacji dokładności

  1. Ostrzeżenie o niezbalansowanych danych: Wysoka dokładność może być myląca w przypadku niezbalansowanych zbiorów danych. Na przykład test przesiewowy na raka może wykazać 95% dokładności, jeśli 95% badanych jest zdrowych, nawet jeśli przeoczy wszystkie przypadki raka.
  2. Metryki uzupełniające: Do holistycznej oceny używaj precyzji (TP / (TP + FP)) i czułości (TP / (TP + FN)) obok dokładności.
  3. Kontekst ma znaczenie: W niektórych zastosowaniach (np. wykrywanie oszustw) zmniejszenie liczby fałszywie negatywnych wyników może być ważniejsze niż ogólna dokładność.

Często zadawane pytania

Jak obliczyć dokładność dla modelu klasyfikacji?

Załóżmy, że model klasyfikuje 200 obrazów jako „kot” lub „pies”:

  • TP: 80 (koty poprawnie zidentyfikowane)
  • TN: 90 (psy poprawnie zidentyfikowane)
  • FP: 10 (psy błędnie zaklasyfikowane jako koty)
  • FN: 20 (koty błędnie zaklasyfikowane jako psy)
Dokładnosˊcˊ=80+9080+90+10+20=170200=85%\text{Dokładność} = \frac{80 + 90}{80 + 90 + 10 + 20} = \frac{170}{200} = 85\%

Jaka jest różnica między dokładnością a precyzją?

Dokładność mierzy ogólną poprawność, podczas gdy precyzja skupia się na proporcji prawdziwie pozytywnych wyników wśród wszystkich pozytywnych prognoz. Na przykład prognoza pogody z 90% dokładnością może mieć niższą precyzję, jeśli często błędnie przewiduje deszcz.

Czy dokładność może wynosić 100%?

Tak, ale tylko jeśli nie ma fałszywie pozytywnych ani negatywnych wyników. W praktyce 100% dokładności jest rzadkie ze względu na błędy pomiarowe lub nakładające się rozkłady danych.

Dlaczego dokładność jest myląca w wykrywaniu oszustw?

Oszustwa transakcyjne są rzadkie (np. 0,1% wszystkich transakcji). Model przewidujący „brak oszustwa” we wszystkich przypadkach osiągnąłby 99,9% dokładności, ale nie wykryłby oszustw. Metryki takie jak czułość lub F1-score są tu bardziej informacyjne.

Jak wielkość próbki wpływa na dokładność?

Większe próbki zmniejszają błędy losowe. Na przykład przebadanie 10 000 pacjentów zamiast 100 zapewnia bardziej wiarygodne oszacowanie dokładności testu medycznego.

Zastosowania kalkulatorów dokładności

  1. Ochrona zdrowia: Ocena testów diagnostycznych pod kątem chorób.
  2. Produkcja: Ocena procesów kontroli jakości produktów.
  3. Uczenie maszynowe: Walidacja wydajności modelu podczas treningu.
  4. Nauki o środowisku: Pomiar efektywności wykrywania zanieczyszczeń.
Polityka prywatności Warunki użytkowania