Metriche di Valutazione (ML)

Le metriche di valutazione sono strumenti quantitativi essenziali per capire se un modello di Machine Learning sta funzionando correttamente o se necessita di ulteriori ottimizzazioni. La scelta della metrica corretta dipende dal tipo di problema e dal costo associato agli errori.

Metriche per la Classificazione

Basate sulla Matrice di Confusione:

1. Accuratezza (Accuracy): Frazione di previsioni corrette sul totale. Può essere fuorviante se le classi sono sbilanciate (es. se il $99\%$ dei pezzi è sano, un modello che dice sempre “sano” ha il $99\%$ di accuratezza ma è inutile per trovare i difetti).
2. Precisione (Precision): Capacità del modello di non classificare come positivi campioni che sono negativi (evita i falsi positivi).
3. Richiamo (Recall / Sensitivity): Capacità del modello di trovare tutti i campioni positivi (evita i falsi negativi).
4. F1-Score: Media armonica tra Precisione e Richiamo. È la metrica più bilanciata quando si vuole un compromesso tra i due.

Metriche per la Regressione

1. MAE (Mean Absolute Error): Media dei valori assoluti degli errori.
2. MSE (Mean Squared Error): Media dei quadrati degli errori. Penalizza molto gli errori grandi.
3. RMSE (Root Mean Squared Error): Radice quadrata dell’MSE, espressa nella stessa unità di misura dei dati originali.
4. $R^2$ (R-quadro): Proporzione della varianza spiegata dal modello.

Significato Ingegneristico

• Ingegneria Medica e Sicurezza: In un sistema di rilevamento incendi o in un test diagnostico, il Richiamo (Recall) è la metrica più importante: non possiamo permetterci di ignorare un incendio (falso negativo), anche a costo di qualche falso allarme (bassa precisione).
• Manutenzione Industriale: Se inviare una squadra di riparazione costa molto, si punterà sulla Precisione: vogliamo essere sicuri che ci sia un guasto prima di intervenire, per evitare uscite inutili (falsi positivi).
• Controllo di Processo: L’RMSE è fondamentale per quantificare quanto le tolleranze di produzione si discostino dal valore nominale di progetto.

Vedi anche: Matrice di Confusione, Errore Quadratico Medio, Accuratezza e Precisione.