Accuracy

Độ chính xác là tỷ lệ dự đoán đúng của một model: số dự đoán chính xác chia cho tổng số dự đoán. Đây là điểm số mặc định cho phân loại ảnh và các tác vụ học có giám sát khác có một nhãn cho mỗi đầu vào, đồng thời trả lời câu hỏi trực tiếp nhất về model: model dự đoán đúng thường xuyên đến mức nào. Độ chính xác dễ đọc và so sánh giữa các model, nhưng mọi dự đoán đều có trọng số như nhau; vì vậy, trên dữ liệu mất cân bằng, model có thể đạt điểm cao nhưng vẫn thất bại ở đúng những trường hợp quan trọng, khi đó precision và recall cung cấp thêm thông tin.

Cách tính độ chính xác#

Với tác vụ nhị phân, bốn số đếm trong ma trận nhầm lẫn cho ta công thức độ chính xác = (TP + TN) / (TP + TN + FP + FN): số dương tính thật cộng số âm tính thật, chia cho tổng số dự đoán. Với tác vụ có nhiều lớp, độ chính xác là tổng các phần tử trên đường chéo ma trận chia cho tổng số mẫu; accuracy_score của scikit-learn tính trực tiếp giá trị này từ hai mảng nhãn. Độ chính xác thường được báo cáo dưới dạng tỷ lệ lỗi, trong đó lỗi = 1 − độ chính xác.

Độ chính xác Top-1 và Top-5#

Các bộ phân loại có nhiều lớp cũng báo cáo độ chính xác top-k. Độ chính xác Top-1 chỉ tính dự đoán là đúng khi lớp có điểm cao nhất trùng với nhãn thật; độ chính xác Top-5 tính dự đoán là đúng khi nhãn thật nằm trong năm lớp có điểm cao nhất. Top-5 trở thành tiêu chuẩn cùng với cuộc thi ImageNet, nơi ảnh thường chứa nhiều đối tượng nhưng chỉ có một nhãn trong số 1.000 lớp. Các model phân loại YOLO26 báo cáo cả hai chỉ số; model nano, yolo26n-cls.pt, đạt độ chính xác Top-1 là 71,4% và Top-5 là 90,1% trên ImageNet ở độ phân giải 224 pixel.

Độ chính xác và các chỉ số liên quan#

• Precision: Trong số các dự đoán dương tính, tỷ lệ thực sự là dương tính. Chỉ số này tăng khi số cảnh báo sai giảm.
• Recall: Trong số các trường hợp dương tính thực tế, tỷ lệ mà model tìm ra. Đây là chỉ số cho thấy model có bỏ qua một lớp hiếm hay không.
• Điểm F1: Trung bình điều hòa của precision và recall; chỉ số này vẫn thấp nếu một trong hai giá trị không cao.
• Độ chính xác trung bình (mAP): Chỉ số tiêu chuẩn cho phát hiện đối tượng. Độ chính xác không phù hợp trong trường hợp này vì vùng nền không cung cấp số lượng âm tính thật có thể đếm được, mà chỉ có vô hạn vùng ảnh trống.

Nghịch lý độ chính xác#

Khi một lớp chiếm ưu thế, độ chính xác khuyến khích bỏ qua lớp hiếm. Nếu 1% giao dịch là gian lận, model chấp thuận mọi giao dịch sẽ đạt độ chính xác 99% nhưng không phát hiện được bất kỳ vụ gian lận nào; đây là hiện tượng gọi là nghịch lý độ chính xác. Bẫy tương tự xuất hiện trong kiểm tra lỗi, sàng lọc bệnh và phát hiện bất thường, nơi lớp cần quan tâm vốn hiếm gặp.

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

# 1,000 transactions, 10 of them fraudulent (label 1)
y_true = np.zeros(1000, dtype=int)
y_true[:10] = 1

# A model that labels every transaction as legitimate
y_pred = np.zeros(1000, dtype=int)

print(f"Accuracy: {accuracy_score(y_true, y_pred):.2f}")
print(f"Balanced accuracy: {balanced_accuracy_score(y_true, y_pred):.2f}")
print(f"Fraud recall: {recall_score(y_true, y_pred):.2f}")

Độ chính xác cân bằng, tức recall trung bình trên các lớp, cho thấy thất bại mà độ chính xác thông thường che giấu: script in ra độ chính xác 0.99, độ chính xác cân bằng 0.50 và recall gian lận 0.00.