Præcision (precision)

Præcision, også kaldet positiv prædiktiv værdi, er TP / (TP + FP): givet at modellen siger "positiv", sandsynligheden for, at den har ret. Den er udefineret, når modellen ikke laver nogen positive forudsigelser, hvilket scikit-learn håndterer med parameteren zero_division. Falske negative indgår slet ikke i formlen, så en model, der kun markerer sit ene sikreste tilfælde, kan opnå 100 % præcision og samtidig overse næsten alt; præcision er meningsløs uden genkaldelse eller et fast arbejdspunkt ved siden af. Ved rangordning og søgning angives den som regel ved en grænse, precision@k, og som gennemsnit over genkaldelsesniveauer som average precision (AP); objektdetektion rapporterer mean AP over klasser, og COCO tager desuden gennemsnittet over intersection-over-union-tærskler fra 0,5 til 0,95.

Modsat genkaldelse afhænger præcision direkte af forekomsten. Efter Bayes' regel er PPV = (sensitivitet × forekomst) / (sensitivitet × forekomst + (1 − specificitet) × (1 − forekomst)). En detektor med 99 % sensitivitet og 99 % specificitet, der bruges, hvor kun 0,1 % af hændelserne er ondsindede, har en præcision på cirka 9 %: omkring ti falske alarmer for hver ægte. Denne basisrate-effekt er regnestykket bag alarmtræthed i sikkerhedsdrift og falsk positive screeningsresultater i sundhedsvæsenet, og den betyder, at præcision målt på et balanceret eller beriget testsæt overvurderer, hvad man vil se i drift, medmindre den omvægtes til den reelle klassefordeling.

Præcision styres via beslutningstærsklen. En højere tærskel giver typisk højere præcision, men ikke strengt monotont - den kan falde, når nogle få højt scorede negative er tilbage - mens genkaldelse kun kan forblive uændret eller falde. Præcision-genkaldelse-kurven viser afvejningen; ved stærk klasseubalance er den mere informativ end ROC-kurven, fordi den falsk positive rate forbliver vildledende lav, når negative tilfælde langt overstiger positive (Davis & Goadrich, 2006; Saito & Rehmsmeier, 2015). Driftskrav formuleres derfor ofte som "højest mulig genkaldelse under forudsætning af mindst X præcision".

Ordet støder sammen med andre betydninger. I metrologien (ISO 5725) betyder præcision, hvor tæt gentagne målinger ligger på hinanden, altså en egenskab ved variansen og ikke ved korrektheden; i numerik henviser det til flydende-komma-formater som FP16 eller BF16, der bruges til modelvægte. I retrieval-augmented generation måler "context precision", hvor stor en del af det hentede materiale der er relevant, et retrieval-mål, der er noget andet end præcisionen af det endelige svar.