Precision

Precision (точность) — метрика машинного обучения, показывающая, какая доля положительных ответов модели оказалась верной. Скажем, система распознавания лиц приняла десять человек за подозреваемых, но только семеро были в розыске — значит, precision равна 0,7. Чем ближе к единице, тем надёжнее положительный сигнал.

Зачем это важно? В любой системе ошибки бывают двух типов: пропуск цели и ложная тревога. Precision сфокусирована на ложных тревогах — случаях, когда модель заявляет «да», а это не так. Это критично там, где цена такой ошибки высока: банковские антифрод-системы, медицинские скрининги, автоматическая фильтрация контента. Низкая precision означает, что каждый положительный ответ надо перепроверять, что подрывает доверие.

Поймите суть на примере детектора дыма. Если он срабатывает на пар от чайника и подгоревший тост, его precision низкая — большинство сигналов ложные. Люди привыкнут игнорировать тревогу и не заметят пожар. Высокая precision, наоборот, гарантирует: сирена сработала — дым есть, и это повод действовать немедленно.

Практический пример: фильтр спама в почте. Предположим, из ста писем, которые фильтр отправил в спам, корректными оказались девяносто пять. Precision = 0,95 — отлично, можно смело очищать папку. Но при precision 0,6 сорок писем из ста — это важные контракты или приглашения, которые вы пропустите. В этом случае лучше пожертвовать полнотой охвата (recall), но ужесточить фильтр, чтобы поднять precision.

В итоге precision — мера аккуратности положительных предсказаний. Она отвечает на вопрос: «Если модель сказала "да", можно ли этому верить?» Высокая precision не значит, что модель найдёт все цели — значит, каждая находка почти всегда истинна. Оптимизируйте precision, когда ложное срабатывание дороже, чем пропуск события.