อธิบาย Precision และ Recall แบบง่ายๆ พร้อมมีตัวอย่างอธิบายให้เข้าใจง่ายที่สุด มี Keyword คำสำคัญที่ทำให้เข้าใจได้ว่า Precision คืออะไร Recall คืออะไร อย่างง่ายที่สุด มีตัวอย่างการคำนวณให้ดู พร้อมภาพประกอบ สามารถดาวน์โหลดไปใช้งานได้ ขอบคุณที่เข้ามารับชมครับ

1. Precision vs Recall
โดย นายไพฑูรย ทิพยสันเทียะ
bombomstory@gmail.com

2. การหา Precision และ Recall
ระบบตรวจจับปายจราจรแบบเรียลไทม
ตัวอยางชุดขอมูลฝก
ปายจราจร
พื้นหลัง

3. ตาราง Confusion Matrix
โดยที่ TP = True Positive (ผลเฉลยคือปายจราจรและทํานายวาเปนปายจราจร)
FP = False Positive (ผลเฉลยคือพื้นหลังแตทํานายวาเปนปายจราจร)
FN = False Negative (ผลเฉลยคือปายจราจรแตทํานายวาเปนพื้นหลัง)
TN = True Negative (ผลเฉลยคือพื้นหลังและทํานายวาเปนพื้นหลัง)
Pedicted / Actual ผลเฉลยคือปายจราจร ผลเฉลยคือพื้นหลัง
ทํานายวาเปนปายจราจร TP FP
ทํานายวาเปนพื้นหลัง FN TN

4. Precision vs Recall
จากตาราง Confusion Matrix
Precision คือ TP/(TP+FP)
หรือ ทํานายถูกวาเปนปาย/(ทํานายถูกวาเปนปาย+เปนพื้นหลังแตทํานายผิดวาเปนปาย
Recall คือ TP/(TP+FN)
หรือ ทํานายถูกวาเปนปาย/(ทํานายถูกวาเปนปาย+เปนปายแตทํานายผิดวาเปนพื้นหลัง)

5. ตัวอยางผลการทํานายการตรวจจับปายจราจร
Precision (ปาย) = TP/(TP+FP)
Recall (ปาย) = TP/(TP+FN)
Precision (พื้นหลัง) = TN/(TN+FN)
Recall (พื้นหลัง) = TN/(TN+FP)
ID ผลเฉลย ผลทํานาย ID ผลเฉลย ผลทํานาย
1 ปาย ปาย 8 พื้นหลัง พื้นหลัง
2 ปาย ปาย 9 พื้นหลัง พื้นหลัง
3 ปาย พื้นหลัง 10 พื้นหลัง พื้นหลัง
4 ปาย ปาย 11 พื้นหลัง ปาย
5 ปาย ปาย 12 พื้นหลัง พื้นหลัง
6 ปาย พื้นหลัง 13 พื้นหลัง พื้นหลัง
7 ปาย ปาย 14 พื้นหลัง พื้นหลัง

6. การหาคา Precision ในมุมมองของปายจราจร
Precision (ปาย) = TP/(TP+FP) = 5/(5+1) = 0.83
Recall (ปาย) = TP/(TP+FN) = 5/(5+2) = 0.71
* Precision พิจารณาจากผลการทํานายเปนหลัก ทํานายวาเปนปาย 6 อัน แตทํานายถูก 5 อันและที่จริงเปนคลาสอื่น 1 อัน
* Recall พิจาราณาจากผลเฉลยเปนหลักซึ่งที่จริงเปนปาย 7 อัน ทํานายถูก 5 อันและทํานายวาเปนคลาสอื่น 2 อัน

7. ตัวอยางผลการทํานายการตรวจจับปายจราจร(มุมมองพื้นหลัง)
Precision (ปาย) = TP/(TP+FP)
Recall (ปาย) = TP/(TP+FN)
Precision (พื้นหลัง) = TN/(TN+FN)
Recall (พื้นหลัง) = TN/(TN+FP)
ID ผลเฉลย ผลทํานาย ID ผลเฉลย ผลทํานาย
1 ปาย ปาย 8 พื้นหลัง พื้นหลัง
2 ปาย ปาย 9 พื้นหลัง พื้นหลัง
3 ปาย พื้นหลัง 10 พื้นหลัง พื้นหลัง
4 ปาย ปาย 11 พื้นหลัง ปาย
5 ปาย ปาย 12 พื้นหลัง พื้นหลัง
6 ปาย พื้นหลัง 13 พื้นหลัง พื้นหลัง
7 ปาย ปาย 14 พื้นหลัง พื้นหลัง

8. การหาคา Precision ในมุมมองของพื้นหลัง
Precision (พื้นหลัง) = TN/(TP+FN) = 6/(6+2) = 0.75
Recall (พื้นหลัง) = TN/(TN+FP) = 6/(6+1) = 0.86

9. Binary Classification: Positive or Negative
จากตัวอยางนี้ถือวาเปน Binary Classification โดยสวนใหญแลวจะพิจารณา
เฉพาะในมุมมองของ Positive เปนหลัก หรือจากตัวอยางนี้ก็จะพิจารณาเฉพาะใน
มุมมองของปายจราจรเปนหลัก สวนคาของพื้นหลังไมใชจุดสนใจของงานนี้จึงไม
นํามาพิจารณา