دقت مثبت

Precision نشان می‌دهد از میان نمونه‌هایی که مدل مثبت پیش‌بینی کرده، چه نسبتی واقعاً مثبت بوده‌اند. این معیار زمانی مهم است که مثبت کاذب هزینه زیادی داشته باشد.

Precision بالا به‌تنهایی کافی نیست، مدل ممکن است موارد مثبت کمی اعلام کند و بسیاری از موارد واقعی را از دست بدهد.

یک مثال برای روشن‌تر شدن موضوع

در سیستم مسدودسازی حساب، Precision پایین باعث می‌شود کاربران سالم زیادی اشتباهاً محدود شوند. باید هزینه مثبت کاذب را در آستانه تصمیم در نظر گرفت.

نمونه کوتاه

from sklearn.metrics import precision_score
print(precision_score(y_true, y_pred))

درک تفاوت این موضوع با طبقه‌بندی و خوشه‌بندی به انتخاب راهکار مناسب‌تر کمک می‌کند.

دقت مثبت در داده نامتوازن

اگر از ۱۰۰ هشدار تقلب، ۸۰ هشدار واقعاً تقلب باشند، Precision برابر ۸۰ درصد است. اما ممکن است بسیاری از تقلب‌ها از دست رفته باشند، بنابراین Recall را هم باید بررسی کرد.