Bộ Đo lường Phân loại Toàn diện: Confusion Matrix, Precision, Recall và F1
Trong các bài toán mất cân bằng nhãn (ví dụ 99% ca âm tính), chỉ số Accuracy có thể đạt 99% dù mô hình hoàn toàn không phát hiện được ca dương tính nào. Việc tính toán đồng thời cả…
Tiến độ của tôi ở bài này
Điểm được lưu vào tài khoản sau khi chấm bài.
Đang tải điểm của bạn…
Kiến thức và chủ đề
Kiến thức tiên quyết: python-basics.
Nội dung đề bài
Mục tiêu kiến thức
- Hiểu cấu trúc ma trận nhầm lẫn nhị phân 2x2: True Positive (TP), True Negative (TN), False Positive (FP), False Negative (FN).
- Nắm vững công thức:
- Accuracy: TP + TNN
- Precision (Độ chuẩn xác): TPTP + FP
- Recall (Độ nhạy / Sensitivity): TPTP + FN
- Specificity (Độ đặc hiệu): TNTN + FP
- F1-Score: 2 × Precision × RecallPrecision + Recall
- Balanced Accuracy: Recall + Specificity2
- Xử lý biên an toàn: Khi mẫu số của Precision, Recall hoặc F1 bằng 0, trả về 0.0 thay vì crash
ZeroDivisionError.
Mô tả bài toán
Trong các bài toán mất cân bằng nhãn (ví dụ 99% ca âm tính), chỉ số Accuracy có thể đạt 99% dù mô hình hoàn toàn không phát hiện được ca dương tính nào. Việc tính toán đồng thời cả Precision, Recall, Specificity và F1 là bắt buộc trong thẩm định chất lượng AI.
Yêu cầu
Viết hàm compute_classification_metrics(y_true: np.ndarray, y_pred: np.ndarray) -> dict[str, Any]:
- Tính 4 đại lượng: TN, FP, FN, TP theo quy ước nhãn nhị phân {0, 1}.
- Tạo ma trận nhầm lẫn danh sách 2D:
[[TN, FP], [FN, TP]]. - Tính các chỉ số đo lường float.
- Trả về dictionary:
{"confusion_matrix": [[int, int], [int, int]], "accuracy": float, "precision": float, "recall": float, "f1_score": float, "specificity": float, "balanced_accuracy": float}.
import numpy as np
from typing import Any
def compute_classification_metrics(y_true: np.ndarray, y_pred: np.ndarray) -> dict[str, Any]:
passInput
- Hàm
compute_classification_metrics(y_true,y_pred): Các tham số đầu vào chứa dữ liệu Tensor/mảng NumPy hoặc giá trị siêu tham số tương ứng.
Output
- Hàm
compute_classification_metrics: Trả về kết quả kiểudict[str, Any]theo đúng đặc tả kỹ thuật và kích thước quy định.
Ràng buộc
- Thời gian chạy tối đa: 2000ms.
- Giới hạn bộ nhớ: 256MB.
- Dữ liệu đầu vào hợp lệ theo đúng kiểu dữ liệu và miền giá trị được mô tả.
Ví dụ 1
Input
y_true = np.array([1, 1, 0, 0, 1, 0])
y_pred = np.array([1, 0, 0, 1, 1, 0])
m = compute_classification_metrics(y_true, y_pred)Output
{
'confusion_matrix': [[2, 1], [1, 2]],
'accuracy': 0.666667,
'precision': 0.666667,
'recall': 0.666667,
'f1_score': 0.666667,
'specificity': 0.666667,
'balanced_accuracy': 0.666667
}Giải thích
Hàm/lớp được gọi với các tham số mẫu trên và trả về kết quả số học / kích thước tensor tương ứng theo đúng thiết kế.
Ví dụ 2
Input
y_true = np.array([1, 1, 0, 0])
y_pred = np.array([0, 0, 0, 0])
m = compute_classification_metrics(y_true, y_pred)Output
{
'confusion_matrix': [[2, 0], [2, 0]],
'accuracy': 0.5,
'precision': 0,
'recall': 0,
'f1_score': 0,
'specificity': 1,
'balanced_accuracy': 0.5
}Giải thích
Hàm/lớp được gọi với các tham số mẫu trên và trả về kết quả số học / kích thước tensor tương ứng theo đúng thiết kế.
Gợi ý và lời giải chỉ mở sau khi bạn bấm Nộp bài. Giáo viên và quản trị viên mở được ngay.
Góp ý & báo lỗi bài tập
Đề bài chưa rõ, test có vấn đề hay bạn có ý tưởng giúp bài tốt hơn? Gửi cho đội ngũ AI Empire nhé — mỗi góp ý đều được đọc.