AI PRE OVP • MODUL 2

Hodnotenie binárnych klasifikátorov: Matica zámen

Prečo správnosť (accuracy) klame pri nevyvážených dátach a ako prah (θ) vyvažuje kompromisy.

🎯 Learning Outcomes / Ishodi učenja:
  • Vypočítať TP, FP, FN, TN.
  • Pochopiť kompromis medzi Presnosťou (Precision) a Citlivosťou (Recall).
  • Zistiť, prečo môže byť 98 % správnosť pri kontrole kvality nepoužiteľná.
  • Nastaviť rozhodovací prah (θ) pre lekársky skríning vs spamový filter.

Pri kontrole kvality, kde sú len 2 % kusov chybné, naivný model s predikciou „všetko v poriadku“ dosiahne 98 % správnosť, ale nezachytí ani jeden vadný kus! Matica zámen a F1-skóre odhalia skutočný výkon.

Presnosť = TP / (TP + FP)  |  Citlivosť = TP / (TP + FN)  |  F1 = 2 · (P · R) / (P + R)

Vyváženie planých poplachov (FP) a prehliadnutých chýb (FN).

🔬 Interactive Laboratory / Interaktivna laboratorija:

🔍 Guided Investigation / Istraživački zadatak:
  1. Detekcia chýb: Posuňte prah θ doľava. Čo sa stane s Citlivosťou a Presnosťou?
  2. Lekársky skríning: Prepnite na Lekársky. Prečo je vysoká Citlivosť (≥ 0,95) kľúčová?
  3. Spamový filter: Prepnite na Spam. Prečo musí byť Presnosť vysoká (≥ 0,90), aby sa neblokovali dôležité správy?