الدقة والتذكير

في التعرف على الأنماط، واسترجاع المعلومات ، واكتشاف الكائنات وتصنيفها (التعلم الآلي) ، والدقة والاستدعاء هي مقاييس أداء تنطبق على البيانات المسترجعة من مجموعة أو مجموعة بيانات أو مساحة عينة .

الدقة (وتسمى أيضًا القيمة التنبؤية الإيجابية ) هي نسبة الحالات ذات الصلة بين الحالات المسترجعة. مكتوبة كصيغة:

$${\displaystyle {\text{الدقة}}={\frac {\text{الحالات المستردة ذات الصلة}}{{\text{الكل}}{\textbf {الحالات المستردة}}{\text{الحالات}}}}}$$

الاستدعاء (المعروف أيضًا باسم الحساسية ) هو جزء من الحالات ذات الصلة التي تم استرجاعها. مكتوبًا كصيغة:

$${\displaystyle {\text{Recall}}={\frac {\text{Relevant retrieved instances}}{{\text{All }}{\textbf {relevant}}{\text{ instances}}}}}$$

لذلك فإن الدقة والتذكير يعتمدان على الصلة بالموضوع .

لنفترض وجود برنامج كمبيوتر للتعرف على الكلاب ( العنصر ذو الصلة ) في صورة رقمية. عند معالجة صورة تحتوي على عشر قطط واثني عشر كلبًا، يحدد البرنامج ثمانية كلاب. من بين العناصر الثمانية التي تم تحديدها على أنها كلاب، خمسة فقط هي كلاب بالفعل ( نتائج إيجابية حقيقية )، بينما الثلاثة الأخرى هي قطط ( نتائج إيجابية كاذبة ). تم تفويت سبعة كلاب ( نتائج سلبية كاذبة )، وتم استبعاد سبع قطط بشكل صحيح ( نتائج سلبية حقيقية ). تكون دقة البرنامج عندئذٍ 5/8 (نتائج إيجابية حقيقية / عناصر مختارة) بينما يكون استرجاعه 5/12 (نتائج إيجابية حقيقية / عناصر ذات صلة).

باعتماد نهج اختبار الفرضيات ، حيث تكون الفرضية الصفرية في هذه الحالة هي أن العنصر المعطى غير ذي صلة (ليس كلبًا)، وغياب الأخطاء من النوع الأول والنوع الثاني ( الخصوصية والحساسية المثالية ) يتوافق على التوالي مع الدقة المثالية (لا يوجد نتائج إيجابية كاذبة) والتذكر المثالي (لا يوجد نتائج سلبية كاذبة).

وبشكل عام، فإن التذكر هو ببساطة المكمل لمعدل الخطأ من النوع الثاني (أي واحد ناقص معدل الخطأ من النوع الثاني). وترتبط الدقة بمعدل الخطأ من النوع الأول، ولكن بطريقة أكثر تعقيدًا بعض الشيء، لأنها تعتمد أيضًا على التوزيع المسبق لرؤية عنصر ذي صلة مقابل عنصر غير ذي صلة.

يحتوي مثال القطة والكلب أعلاه على 8 − 5 = 3 أخطاء من النوع الأول (إيجابيات كاذبة) من إجمالي 10 قطط (سلبيات حقيقية)، بمعدل خطأ من النوع الأول 3/10، و12 − 5 = 7 أخطاء من النوع الثاني (سلبيات كاذبة)، بمعدل خطأ من النوع الثاني 7/12. يمكن اعتبار الدقة مقياسًا للجودة، والتذكر مقياسًا للكمية. تعني الدقة الأعلى أن الخوارزمية تعيد نتائج أكثر صلة من النتائج غير ذات الصلة، ويعني التذكر العالي أن الخوارزمية تعيد معظم النتائج ذات الصلة (سواء تم إرجاع نتائج غير ذات صلة أم لا).

في مهمة التصنيف ، تكون دقة الفئة هي عدد العناصر الإيجابية الحقيقية (أي عدد العناصر التي تم تصنيفها بشكل صحيح على أنها تنتمي إلى الفئة الإيجابية) مقسومًا على العدد الإجمالي للعناصر التي تم تصنيفها على أنها تنتمي إلى الفئة الإيجابية (أي مجموع العناصر الإيجابية الحقيقية والسلبية الكاذبة ، وهي عناصر تم تصنيفها بشكل غير صحيح على أنها تنتمي إلى الفئة). يتم تعريف التذكر في هذا السياق على أنه عدد العناصر الإيجابية الحقيقية مقسومًا على العدد الإجمالي للعناصر التي تنتمي بالفعل إلى الفئة الإيجابية (أي مجموع العناصر الإيجابية الحقيقية والسلبية الكاذبة ، وهي عناصر لم يتم تصنيفها على أنها تنتمي إلى الفئة الإيجابية ولكن كان يجب تصنيفها).

إن الدقة والتذكر ليسا مقياسين مفيدين بشكل خاص عند استخدامهما بمعزل عن بعضهما البعض. على سبيل المثال، من الممكن تحقيق تذكر مثالي بمجرد استرجاع كل عنصر على حدة. وعلى نحو مماثل، من الممكن تحقيق دقة مثالية من خلال تحديد عدد صغير للغاية فقط من العناصر المحتملة للغاية.

في مهمة التصنيف، تعني درجة الدقة 1.0 للفئة C أن كل عنصر مُصنف على أنه ينتمي إلى الفئة C ينتمي بالفعل إلى الفئة C (ولكنها لا تقول شيئًا عن عدد العناصر من الفئة C التي لم يتم تصنيفها بشكل صحيح) في حين أن التذكر 1.0 يعني أن كل عنصر من الفئة C تم تصنيفه على أنه ينتمي إلى الفئة C (ولكنه لا يقول شيئًا عن عدد العناصر من الفئات الأخرى التي تم تصنيفها بشكل غير صحيح أيضًا على أنها تنتمي إلى الفئة C).

في كثير من الأحيان، توجد علاقة عكسية بين الدقة والتذكر، حيث من الممكن زيادة أحدهما على حساب تقليل الآخر، ولكن السياق قد يحدد ما إذا كان أحدهما أكثر قيمة في موقف معين:

إن أجهزة الكشف عن الدخان مصممة بشكل عام لارتكاب العديد من الأخطاء من النوع الأول (لإصدار تنبيهات في العديد من المواقف عندما لا يكون هناك خطر)، لأن تكلفة الخطأ من النوع الثاني (الفشل في إطلاق إنذار أثناء حريق كبير) باهظة للغاية. وعلى هذا النحو، فإن أجهزة الكشف عن الدخان مصممة مع وضع التذكير في الاعتبار (لالتقاط جميع المخاطر الحقيقية)، حتى مع عدم إعطاء وزن كبير للخسائر في الدقة (وإطلاق العديد من الإنذارات الكاذبة). في الاتجاه الآخر، تؤكد نسبة بلاكستون ، "من الأفضل أن يهرب عشرة مذنبين من أن يعاني بريء واحد"، على تكاليف الخطأ من النوع الأول (إدانة شخص بريء). وعلى هذا النحو، فإن نظام العدالة الجنائية مهيأ للدقة (وليس إدانة الأبرياء)، حتى على حساب الخسائر في التذكير (إطلاق سراح المزيد من المذنبين).

إن جراح المخ الذي يزيل ورماً سرطانياً من دماغ مريض يوضح لنا أيضاً المقايضات بين الأمرين: فالجراح يحتاج إلى إزالة جميع خلايا الورم لأن أي خلايا سرطانية متبقية سوف تتجدد في الورم. وعلى العكس من ذلك، لا ينبغي للجراح أن يزيل خلايا المخ السليمة لأن ذلك من شأنه أن يترك المريض يعاني من ضعف في وظائف المخ. وقد يكون الجراح أكثر ليبرالية في منطقة المخ التي يزيلها للتأكد من أنه استخرج جميع خلايا السرطان. وهذا القرار يزيد من القدرة على التذكر ولكنه يقلل من الدقة. ومن ناحية أخرى، قد يكون الجراح أكثر تحفظاً في خلايا المخ التي يزيلها للتأكد من أنه يستخرج خلايا السرطان فقط. وهذا القرار يزيد من الدقة ولكنه يقلل من القدرة على التذكر. وهذا يعني أن القدرة على التذكر الأكبر تزيد من فرص إزالة الخلايا السليمة (نتيجة سلبية) وتزيد من فرص إزالة جميع خلايا السرطان (نتيجة إيجابية). والدقة الأكبر تقلل من فرص إزالة الخلايا السليمة (نتيجة إيجابية) ولكنها تقلل أيضاً من فرص إزالة جميع خلايا السرطان (نتيجة سلبية).

عادةً، لا تتم مناقشة درجات الدقة والتذكر بمعزل عن بعضها البعض. يرسم منحنى الدقة والتذكر الدقة كدالة للتذكر؛ وعادةً ما تنخفض الدقة مع زيادة التذكر. وبدلاً من ذلك، يمكن مقارنة قيم مقياس واحد لمستوى ثابت في المقياس الآخر (على سبيل المثال الدقة عند مستوى التذكر 0.75 ) أو يتم دمج كليهما في مقياس واحد. ومن الأمثلة على المقاييس التي تمثل مزيجًا من الدقة والتذكر مقياس F ( المتوسط ​​التوافقي المرجح للدقة والتذكر)، أو معامل ارتباط ماثيوز ، وهو متوسط ​​هندسي للمتغيرات المصححة بالصدفة: معاملات الانحدار المعرفة (DeltaP') والتميز (DeltaP). ^{[1] [2]} الدقة هي متوسط ​​حسابي مرجح للدقة والدقة العكسية (المرجحة بالتحيز) بالإضافة إلى متوسط ​​حسابي مرجح للتذكر والتذكر العكسي (المرجح بالانتشار). ^[1] الدقة العكسية والتذكر العكسي هما ببساطة الدقة والتذكر للمشكلة العكسية حيث يتم تبادل العلامات الإيجابية والسلبية (لكل من الفئات الحقيقية وعلامات التنبؤ). غالبًا ما يتم رسم معدل الإيجابية الحقيقية ومعدل الإيجابية الكاذبة ، أو ما يعادلهما التذكر والتذكر العكسي 1، مقابل بعضهما البعض كمنحنيات ROC وتوفير آلية مبدئية لاستكشاف مقايضات نقطة التشغيل. خارج استرجاع المعلومات، يُقال إن تطبيق التذكر والدقة ومقياس F معيب لأنه يتجاهل الخلية السلبية الحقيقية لجدول الطوارئ ، ويمكن التلاعب بها بسهولة عن طريق تحيز التنبؤات. ^[1] يتم "حل" المشكلة الأولى باستخدام الدقة ويتم "حل" المشكلة الثانية عن طريق خصم مكون الفرصة وإعادة التطبيع إلى كابا كوهين ، ولكن هذا لم يعد يوفر الفرصة لاستكشاف المقايضات بيانياً. ومع ذلك، فإن الإحاطة والوضوح عبارة عن إعادة تطبيع تشبه كابا للتذكير والدقة، ^{[3] وبالتالي فإن} معامل ارتباط ماثيوز المتوسط ​​الهندسي الخاص بهما يعمل مثل مقياس F غير متحيز.

بالنسبة لمهام التصنيف، تقارن المصطلحات الإيجابيات الحقيقية والسلبيات الحقيقية والإيجابيات الكاذبة والسلبيات الكاذبة نتائج المصنف قيد الاختبار مع الأحكام الخارجية الموثوقة. يشير المصطلحان الإيجابي والسلبي إلى تنبؤ المصنف (يُعرف أحيانًا باسم التوقع)، ويشير المصطلحان الصواب والخطأ إلى ما إذا كان هذا التنبؤ يتوافق مع الحكم الخارجي (يُعرف أحيانًا باسم الملاحظة ).

دعنا نحدد تجربة من P حالات إيجابية و N حالات سلبية لبعض الظروف. يمكن صياغة النتائج الأربع في جدول احتمالات 2×2 أو مصفوفة ارتباك ، على النحو التالي:

		الحالة المتوقعة		المصادر: [4] [5] [6] [7] [8] [9] [10] [11] منظر يتحدث يحرر
	إجمالي السكان = P + N	توقع إيجابي (PP)	متوقع سلبي (PN)	المعرفة ، معرفة وكيل المراهنات (BM) = TPR + TNR − 1	عتبة الانتشار ( PT) =√ TPR × FPR - FPR/TPR - FPR⁠
الحالة الفعلية	موجب (ص) [أ]	إيجابي حقيقي (TP)، ضرب [b]	سلبي كاذب (FN)، خطأ، تقدير أقل من الحقيقة	معدل الإيجابية الحقيقية (TPR)، التذكير ، الحساسية ( SEN )، احتمالية الكشف، معدل الإصابة، القوة =TP/ص= 1 − FNR	معدل النتائج السلبية الكاذبة (FNR)، معدل الخطأ من النوع الثاني [c] = ⁠ف ن/ص= 1 − TPR
	سلبي (ن) [د]	إيجابي كاذب (FP)، إنذار كاذب، مبالغة في التقدير	سلبي صحيح (TN)، رفض صحيح [e]	معدل الإيجابيات الكاذبة (FPR)، احتمال الإنذار الكاذب، خطأ النوع الأول من التساقط [f] = ⁠ف ب/ن= 1 − TNR	معدل السلبية الحقيقية (TNR)، والخصوصية (SPC)، والانتقائية =تينيسي/ن= 1 − FPR
	الانتشار = ⁠ص/ص + ن⁠	القيمة التنبؤية الإيجابية ( PPV)، الدقة =TP/ب ب= 1 − FDR	معدل الإغفال الكاذب (FOR) = ⁠ف ن/رقم الصنف= 1 − القيمة الحالية الصافية	نسبة الاحتمالية الإيجابية ( LR+) =تي بي آر/فبر⁠	نسبة الاحتمالية السلبية ( LR−) =فنر/تي إن آر⁠
	الدقة (ACC) = ⁠TP + TN/ص + ن⁠	معدل الاكتشاف الكاذب ( FDR) =ف ب/ب ب= 1 − PPV	القيمة التنبؤية السلبية ( NPV) =تينيسي/رقم الصنف= 1 − ل	العلامة (MK)، دلتا (Δp) = القيمة التراكمية الصافية + القيمة الصافية الحالية − 1	نسبة احتمالات التشخيص (DOR ) =LR+/LR-⁠
	الدقة المتوازنة (BA ) =TPR + TNR/2⁠	F 1 النتيجة = ⁠2 PPV × TPR/PPV + TPR = ⁠​2 نقطة اتصال/2 نقطة اتصال + نقطة اتصال + نقطة اتصال⁠	مؤشر فاولكس-مالوز (FM) = √ PPV × TPR	معامل ارتباط ماثيوز (MCC) = √ TPR × TNR × PPV × NPV - √ FNR × FPR × FOR × FDR	درجة التهديد (TS)، مؤشر النجاح الحرج (CSI)، مؤشر جاكارد =TP/TP + FN + FP⁠

يتم تعريف الدقة والاستدعاء على النحو التالي: ^[12]

$${\displaystyle {\begin{aligned}{\text{Precision}}&={\frac {tp}{tp+fp}}\\{\text{Recall}}&={\frac {tp}{tp+fn}}\,\end{aligned}}}$$

يُشار إلى التذكير في هذا السياق أيضًا باسم المعدل الإيجابي الحقيقي أو الحساسية ، ويُشار إلى الدقة أيضًا باسم القيمة التنبؤية الإيجابية (PPV)؛ وتشمل المقاييس الأخرى ذات الصلة المستخدمة في التصنيف المعدل السلبي الحقيقي والدقة . ^[12] ويُطلق على المعدل السلبي الحقيقي أيضًا اسم الخصوصية .

$${\displaystyle {\text{True negative rate}}={\frac {tn}{tn+fp}}\,}$$

قد يكون كل من الدقة والتذكر مفيدًا في الحالات التي توجد فيها بيانات غير متوازنة. ومع ذلك، قد يكون من المفيد إعطاء الأولوية لأحدهما على الآخر في الحالات التي تكون فيها نتيجة الإيجابية الخاطئة أو السلبية الخاطئة مكلفة. على سبيل المثال، في التشخيص الطبي، يمكن أن يؤدي الاختبار الإيجابي الخاطئ إلى علاج ونفقات غير ضرورية. في هذه الحالة، من المفيد تقييم الدقة على التذكر. في حالات أخرى، تكون تكلفة السلبية الخاطئة عالية. على سبيل المثال، تكون تكلفة السلبية الخاطئة في الكشف عن الاحتيال عالية، حيث أن الفشل في اكتشاف معاملة احتيالية يمكن أن يؤدي إلى خسارة مالية كبيرة. ^[13]

يمكن تفسير الدقة والتذكر على أنهما احتمالات شرطية (مقدرة) : ^[14] تُعطى الدقة بواسطة بينما يُعطى التذكر بواسطة ، ^[15] حيث هي الفئة المتوقعة و هي الفئة الفعلية (أي أن الفئة الفعلية موجبة). وبالتالي، فإن كلتا الكميتين مرتبطتان بنظرية بايز . ${\displaystyle \mathbb {P} (C=P|{\hat {C}}=P)}$${\displaystyle \mathbb {P} ({\hat {C}}=P|C=P)}$${\displaystyle {\hat {C}}}$${\displaystyle C}$${\displaystyle C=P}$

يسمح التفسير الاحتمالي باستنتاج كيفية أداء المصنف الذي لا يحتاج إلى مهارة بسهولة. يتم تعريف المصنف الذي لا يحتاج إلى مهارة من خلال الخاصية التي مفادها أن الاحتمال المشترك هو مجرد حاصل ضرب الاحتمالات غير المشروطة لأن التصنيف ووجود الفئة مستقلان . ${\displaystyle \mathbb {P} (C=P,{\hat {C}}=P)=\mathbb {P} (C=P)\mathbb {P} ({\hat {C}}=P)}$

على سبيل المثال، دقة المصنف الذي لا يحتاج إلى مهارة هي ببساطة ثابت ، أي يتم تحديده من خلال الاحتمالية/التردد الذي تحدث به الفئة P. ${\displaystyle \mathbb {P} (C=P|{\hat {C}}=P)={\frac {\mathbb {P} (C=P,{\hat {C}}=P)}{\mathbb {P} ({\hat {C}}=P)}}=\mathbb {P} (C=P),}$

ومن الممكن تقديم حجة مماثلة فيما يتصل بالتذكير: وهو الاحتمال للحصول على تصنيف إيجابي. ${\displaystyle \mathbb {P} ({\hat {C}}=P|C=P)={\frac {\mathbb {P} (C=P,{\hat {C}}=P)}{\mathbb {P} (C=P)}}=\mathbb {P} ({\hat {C}}=P)}$

$${\displaystyle {\text{Accuracy}}={\frac {TP+TN}{TP+TN+FP+FN}}\,}$$

يمكن أن تكون الدقة مقياسًا مضللًا لمجموعات البيانات غير المتوازنة. لنفترض وجود عينة بها 95 قيمة سلبية و5 قيم موجبة. يؤدي تصنيف جميع القيم على أنها سلبية في هذه الحالة إلى درجة دقة 0.95. هناك العديد من المقاييس التي لا تعاني من هذه المشكلة. على سبيل المثال، تقوم الدقة المتوازنة ^[16] (bACC) بتطبيع التنبؤات الإيجابية والسلبية الحقيقية بعدد العينات الإيجابية والسلبية على التوالي، وتقسم مجموعها على اثنين:

$${\displaystyle {\text{Balanced accuracy}}={\frac {TPR+TNR}{2}}\,}$$

بالنسبة للمثال السابق (95 عينة سلبية و5 عينات إيجابية)، فإن تصنيف كل العينات على أنها سلبية يعطي 0.5 درجة دقة متوازنة (أقصى درجة bACC هي واحد)، وهو ما يعادل القيمة المتوقعة لتخمين عشوائي في مجموعة بيانات متوازنة. يمكن أن تعمل الدقة المتوازنة كمقياس للأداء العام للنموذج، سواء كانت العلامات الحقيقية غير متوازنة في البيانات أم لا، على افتراض أن تكلفة FN هي نفسها FP.

إن TPR وFPR هما خاصية لمصنف معين يعمل عند حد معين. ومع ذلك، فإن العدد الإجمالي لـ TPs وFPs وما إلى ذلك يعتمد على اختلال التوازن الطبقي في البيانات عبر نسبة الفئة . نظرًا لأن الاستدعاء (أو TPR) يعتمد فقط على الحالات الإيجابية، فإنه لا يتأثر بـ ، ولكن الدقة تتأثر. لدينا ذلك ${\textstyle r=P/N}$${\textstyle r}$

${\displaystyle {\text{Precision}}={\frac {TP}{TP+FP}}={\frac {P\cdot TPR}{P\cdot TPR+N\cdot FPR}}={\frac {TPR}{TPR+{\frac {1}{r}}FPR}}.}$

وبالتالي فإن الدقة تعتمد بشكل واضح على . ^[17] بدءًا من الفئات المتوازنة عند وتناقصها تدريجيًا ، ستنخفض الدقة المقابلة، لأن المقام يزداد. ${\textstyle r}$${\textstyle r=1}$${\textstyle r}$

هناك مقياس آخر وهو معدل الحالة الإيجابية المتوقعة (PPCR)، والذي يحدد النسبة المئوية من إجمالي السكان الذين تم وضع علامة عليهم. على سبيل المثال، بالنسبة لمحرك بحث يعرض 30 نتيجة (مستندات مسترجعة) من أصل 1,000,000 مستند، فإن معدل الحالة الإيجابية المتوقعة هو 0.003%.

$${\displaystyle {\text{Predicted positive condition rate}}={\frac {TP+FP}{TP+FP+TN+FN}}\,}$$

وفقًا لسايتو وريهمسماير، فإن مخططات التذكير الدقيق أكثر إفادة من مخططات ROC عند تقييم المصنفات الثنائية على البيانات غير المتوازنة. في مثل هذه السيناريوهات، قد تكون مخططات ROC خادعة بصريًا فيما يتعلق بالاستنتاجات حول موثوقية أداء التصنيف. ^[18]

على عكس الأساليب المذكورة أعلاه، إذا تم تطبيق مقياس الخلل بشكل مباشر عن طريق ترجيح عناصر مصفوفة الارتباك، فإن تعريفات المقاييس القياسية لا تزال سارية حتى في حالة مجموعات البيانات غير المتوازنة. ^[19] تربط عملية الترجيح عناصر مصفوفة الارتباك بمجموعة الدعم لكل فئة مدروسة.

المقياس الذي يجمع بين الدقة والتذكر هو المتوسط ​​التوافقي للدقة والتذكر، أو مقياس F التقليدي أو درجة F المتوازنة:

$${\displaystyle F=2\cdot {\frac {\mathrm {precision} \cdot \mathrm {recall} }{\mathrm {precision} +\mathrm {recall} }}}$$

هذا المقياس هو تقريبًا متوسط ​​الاثنين عندما يكونان قريبين، وهو بشكل عام المتوسط ​​التوافقي ، والذي، في حالة رقمين، يتطابق مع مربع المتوسط ​​الهندسي مقسومًا على المتوسط ​​الحسابي . هناك عدة أسباب يمكن من خلالها انتقاد درجة F، في ظروف معينة، بسبب تحيزها كمقياس للتقييم. ^[1] يُعرف هذا أيضًا بالمقياس ، لأن التذكر والدقة متساويان في الوزن. ${\displaystyle F_{1}}$

إنها حالة خاصة للمقياس العام (للقيم الحقيقية غير السلبية لـ  ): ${\displaystyle F_{\beta }}$${\displaystyle \beta }$

$${\displaystyle F_{\beta }=(1+\beta ^{2})\cdot {\frac {\mathrm {precision} \cdot \mathrm {recall} }{\beta ^{2}\cdot \mathrm {precision} +\mathrm {recall} }}}$$

هناك مقياسان آخران مستخدمان بشكل شائع وهما المقياس، الذي يذكر الأوزان بدرجة أعلى من الدقة، والمقياس ، الذي يركز على الدقة أكثر من التذكر. ${\displaystyle F}$${\displaystyle F_{2}}$${\displaystyle F_{0.5}}$

تم استنباط مقياس F بواسطة فان ريسبيرجين (1979) بحيث "يقيس فعالية الاسترجاع فيما يتعلق بالمستخدم الذي يولي أهمية للتذكر بقدر أهمية الدقة". وهو يعتمد على مقياس الفعالية لفان ريسبيرجين ، والمصطلح الثاني هو المتوسط ​​التوافقي المرجح للدقة والاسترجاع مع الأوزان . علاقتهما هي حيث . ${\displaystyle F_{\beta }}$${\displaystyle \beta }$${\displaystyle E_{\alpha }=1-{\frac {1}{{\frac {\alpha }{P}}+{\frac {1-\alpha }{R}}}}}$${\displaystyle (\alpha ,1-\alpha )}$${\displaystyle F_{\beta }=1-E_{\alpha }}$${\displaystyle \alpha ={\frac {1}{1+\beta ^{2}}}}$

هناك معلمات واستراتيجيات أخرى لقياس أداء نظام استرجاع المعلومات، مثل المساحة تحت منحنى ROC (AUC) ^[20] أو شبه R-squared .

يمكن أيضًا حساب قيم الدقة والتذكر لمشاكل التصنيف التي تحتوي على أكثر من فئتين. ^[21] للحصول على الدقة لفئة معينة، نقسم عدد الإيجابيات الحقيقية على تحيز المصنف تجاه هذه الفئة (عدد المرات التي تنبأ فيها المصنف بالفئة). لحساب التذكر لفئة معينة، نقسم عدد الإيجابيات الحقيقية على انتشار هذه الفئة (عدد المرات التي تظهر فيها الفئة في عينة البيانات).

يمكن بعد ذلك دمج قيم الدقة والاستدعاء على مستوى الفئة في درجة تقييم شاملة متعددة الفئات، على سبيل المثال، باستخدام مقياس F1 الكلي . ^[21]

• معامل عدم اليقين ، ويسمى أيضًا الكفاءة
• الحساسية والنوعية
• مصفوفة الارتباك
• قاعدة التسجيل
• مغالطة المعدل الأساسي

• استرجاع المعلومات – سي جيه فان ريسبرجن 1979
• حساب الدقة والاسترجاع لمشكلة التصنيف متعدد الفئات