AI FOR VET • POGLAVLJE 2

Evaluacija klasifikatora: Matrica konfuzije

Zašto tačnost zavarava kod neuravnoteženih klasa i kako prag (θ) balansira odziv i preciznost.

🎯 Learning Outcomes / Ishodi učenja:
  • Definisanje TP, FP, FN, TN metrika.
  • Razumevanje kompromisa između preciznosti (Precision) i odziva (Recall).
  • Uviđanje zašto 98% tačnosti može biti beskorisno u industriji.
  • Podešavanje praga odluke (θ) za kontrolu škarta i medicinsku dijagnostiku.

U industriji gde je samo 2% proizvoda neispravno, klasifikator koji sve proglašava ispravnim ima čak 98% tačnosti, ali propušta sav škart! Matrica konfuzije i F1-score otkrivaju stvarnu pouzdanost modela.

Precision = TP / (TP + FP)  |  Recall = TP / (TP + FN)  |  F1 = 2 · (P · R) / (P + R)

Balansiranje između lažnih uzbuna (FP) i propuštenog škarta (FN).

🔬 Interactive Laboratory / Interaktivna laboratorija:

🔍 Guided Investigation / Istraživački zadatak:
  1. Detekcija škarta: Pomerajte prag θ ulevo. Šta se dešava sa odzivom i preciznošću?
  2. Medicinski skrining: Prebacite na Medicina. Zašto je odziv (≥ 0.95) kritično važan?
  3. Spam filter: Prebacite na Spam. Zašto preciznost mora biti visoka (≥ 0.90) da ne blokiramo važna pisma?