Uitleg
Precision en recall zijn twee kritieke metrieken voor evaluatie van classificatie-modellen. Precision antwoordt: "Van de positief voorspelde gevallen, hoeveel waren werkelijk positief?" Recall antwoordt: "Van alle werkelijk positieve gevallen, hoeveel heeft het model gevonden?"
Precision = true positives / (true positives + false positives). Recall = true positives / (true positives + false negatives). Het zijn complementaire metrieken met trade-off: hoge precision = lage false positives maar mogelijk veel false negatives (lage recall).
De keuze tussen precision en recall hangt af van de toepassing. Voor medische diagnose is recall belangrijk (geen zieke missen). Voor spam-filtering is precision belangrijk (geen goeie mails blokkeren). F1-score balanceert beide.
⚡ Voorbeelden
- •Medische test: recall=95% betekent 95% van zieke patiënten zijn gedetecteerd
- •Spam-filter: precision=99% betekent slechts 1% van geblokeerde mails zijn eigenlijk spam
- •Balancing: fraud-detection wil hoog recall (alle fraude vinden) maar kan lage precision toestaan