nøyaktighetsmål

Nøyaktighetsmål er et begrep som brukes for å evaluere ytelsen til klassifiseringsmodeller i maskinlæring og statistikk. Det gir en prosentandel av korrekte prediksjoner ut av det totale antallet prediksjoner som er gjort. En nøyaktighetsmål på 90% betyr for eksempel at modellen har klassifisert 90% av instansene korrekt. Nøyaktighet beregnes ved å dele summen av sanne positiver og sanne negativer med det totale antallet prediksjoner (sanne positiver + sanne negativer + falske positiver + falske negativer).

Selv om nøyaktighet er et intuitivt og ofte brukt mål, har det begrensninger, spesielt når datasettet er ubalansert. I tilfeller hvor en klasse dominerer datasettet, kan en modell oppnå høy nøyaktighet ved å konsekvent predikere den mest vanlige klassen, selv om den er dårlig til å identifisere de sjeldnere klassene. Dette kan gi et misvisende bilde av modellens reelle ytelse. Derfor suppleres nøyaktighet ofte med andre metrikker som presisjon, gjenkalling (recall) og F1-score for å gi et mer fullstendig bilde av modellens effektivitet, spesielt i scenarier med ujevnt fordelte klasser. Valget av nøyaktighetsmål avhenger av problemstillingen og hva som er viktigst å optimalisere.