Precision

La precisione è la quota di previsioni positive di un modello che sono corrette. Risponde alla domanda «quando il modello dice sì, con quale frequenza ha ragione?» e si calcola dividendo i veri positivi per tutte le previsioni positive: precisione = TP / (TP + FP), dove un falso positivo (FP) è un caso negativo segnalato erroneamente dal modello. La precisione va da 0 a 1, quindi una precisione di 0.95 significa che 1 avviso su 20 è un falso allarme. Valore predittivo positivo (PPV) è un sinonimo usato in medicina, mentre il tasso di falsi positivi equivale a 1 meno la precisione. La precisione è particolarmente importante quando i falsi allarmi sono costosi, come per un filtro antispam che nasconde email legittime, un sistema di ispezione che scarta componenti conformi o una telecamera di sicurezza che invia le guardie per delle ombre.

Come si calcola la precisione#

La precisione considera due celle della matrice di confusione: i veri positivi e i falsi positivi, che insieme comprendono tutte le previsioni positive. I positivi mancati non entrano mai nella formula, quindi un modello che segnala solo il suo caso più sicuro può raggiungere una precisione di 1.0 pur individuando pochissimi casi. Perciò la precisione viene riportata insieme al richiamo, TP / (TP + FN), che penalizza proprio i casi mancati, mentre l’F1-score combina i due valori in un unico numero. Quando un modello non produce alcuna previsione positiva, la precisione è 0 / 0 e non è definita; librerie come scikit-learn la riportano come 0 con un avviso.

Con più di due classi, la precisione si calcola per ciascuna classe, trattandola come positiva e tutte le altre come negative, e poi si fa la media. La precisione macro assegna lo stesso peso a ogni classe e, nelle attività multiclasse a etichetta singola, la precisione micro-mediata è uguale all’accuratezza.

La precisione dipende dalla prevalenza#

Richiamo e specificità descrivono separatamente il modo in cui un modello tratta i positivi e i negativi, quindi restano invariati quando i positivi diventano più rari. La precisione combina i due gruppi e diminuisce al calare della prevalenza, perché lo stesso tasso di falsi positivi applicato a più negativi produce più falsi allarmi per ogni rilevamento corretto. Lo script di scikit-learn qui sotto valuta un modello di screening con due prevalenze:

import numpy as np
from sklearn.metrics import accuracy_score, precision_score, recall_score

# One screening model at two prevalences: it finds 90% of positives and flags 1% of negatives
for positives in (1000, 100):
    negatives = 10_000 - positives
    tp, fp = int(0.9 * positives), int(0.01 * negatives)
    counts = [tp, positives - tp, fp, negatives - fp]  # TP, FN, FP, TN

    # Rebuild labels and predictions for 10,000 cases from the confusion-matrix counts
    y_true = np.repeat([1, 1, 0, 0], counts)
    y_pred = np.repeat([1, 0, 1, 0], counts)
    accuracy = accuracy_score(y_true, y_pred)
    recall = recall_score(y_true, y_pred)
    precision = precision_score(y_true, y_pred)
    print(f"{positives} positives: accuracy {accuracy:.3f}, recall {recall:.2f}, precision {precision:.2f}")

Con 1.000 positivi su 10.000 casi, il modello raggiunge una precisione di 0.91. Con 100 positivi, il richiamo resta a 0.90 e l’accuratezza sale persino a 0.989, ma ai 90 rilevamenti corretti si affiancano 99 falsi allarmi e la precisione scende a 0.48. Una precisione misurata su un set di test bilanciato sovrastima quindi quella che il modello mostrerà in produzione dove i positivi sono più rari, per esempio nello screening di una malattia rara.

Precisione nel rilevamento degli oggetti#

Nel rilevamento degli oggetti, ogni riquadro previsto al di sopra della soglia di confidenza costituisce una previsione positiva. Le previsioni vengono associate in ordine di confidenza decrescente e un riquadro è un vero positivo solo se si sovrappone a un oggetto etichettato della stessa classe con un’intersezione sull’unione (IoU) pari o superiore alla soglia, e se quell’oggetto non è già stato assegnato a un riquadro con punteggio più alto. I riquadri sullo sfondo, quelli con la classe errata, quelli posizionati in modo impreciso e quelli duplicati su un oggetto già associato sono tutti conteggiati come falsi positivi.

Aumentando la soglia di confidenza si eliminano i riquadri con punteggi bassi, che più spesso sono errati, quindi la precisione in genere aumenta mentre il richiamo diminuisce. Tracciando la precisione rispetto al richiamo per ogni soglia si ottiene la curva precisione-richiamo; l’area sottostante è la precisione media (AP), che la precisione media media (mAP) calcola come media tra le classi e, per mAP50-95, tra dieci soglie IoU. La convalida di YOLO26 salva la precisione di ogni classe a ciascuna soglia di confidenza come BoxP_curve.png e riporta la precisione (P) alla soglia di confidenza in cui l’F1 medio raggiunge il picco, insieme al richiamo e alla mAP.

Migliorare la precisione#

• Aumenta la soglia di confidenza: Il rimedio più rapido, a costo di un richiamo inferiore.
• Aggiungi negativi difficili: Aggiungi ai dati di addestramento gli oggetti simili e le scene vuote che causano falsi allarmi, così il modello impara cosa non segnalare. La selezione dei negativi più confondenti in questo modo è chiamata hard negative mining.
• Correggi le etichette mancanti: Il rilevamento corretto di un oggetto ignorato dall'annotatore conta come falso positivo, quindi le etichette di riferimento incomplete fanno sembrare la precisione peggiore di quanto non sia.
• Separa le classi confuse: La matrice di confusione mostra quali classi il modello confonde; più esempi o definizioni delle classi più chiare per quelle coppie eliminano i falsi positivi dovuti all'assegnazione della classe sbagliata.

Precisione e termini correlati#

• Recall: La quota di positivi effettivi individuati dal modello, TP / (TP + FN). Tiene conto dei casi mancati, mentre la precisione tiene conto dei falsi allarmi.
• Specificità: La quota di negativi effettivi correttamente scartati, TN / (TN + FP). Una specificità di 0.99 può comunque produrre una precisione inferiore a 0.5 quando i positivi sono rari, come mostra lo script di screening.
• Accuratezza: La quota di tutte le predizioni corrette, dominata dalla classe maggioritaria nei dati sbilanciati.
• Precisione numerica: Il numero di bit usati per memorizzare ogni valore, per esempio 32 bit o virgola mobile a 16 bit: un significato diverso della stessa parola.
• Precisione di misura: Quanto sono concordi tra loro misurazioni ripetute, mentre l'accuratezza descrive quanto sono vicine al valore reale. Una bilancia che indica sempre 2 kg in più è precisa ma non accurata.