Od accuracy po F1-score: Jak interpretovat výsledky a zlepšovat AI model

Vytvořit vlastní AI model dnes zvládne téměř každý. Otázka ale zní – funguje ten model opravdu dobře? Jedna z nejčastějších chyb začátečníků je, že sledují pouze jedno číslo – např. „accuracy“ – a myslí si, že vysoká hodnota znamená kvalitní výsledek. Realita je složitější. V tomto článku vám ukážeme, jaké metriky v AI existují, jak je číst a jak na jejich základě optimalizovat výkon modelu.

1. Nejčastější metriky: Co měří a kdy se používají

• Accuracy – procento správně předpovězených případů
• Precision – kolik z pozitivních predikcí bylo skutečně správných
• Recall – kolik skutečných pozitivních případů bylo správně zachyceno
• F1-score – harmonický průměr mezi precision a recall
• AUC-ROC – plocha pod křivkou, která měří rozlišovací schopnost modelu

Kdy použít jakou metriku?

• Vyvážená data: accuracy
• Důležitá přesnost bez falešných poplachů: precision
• Nutné zachytit co nejvíce pozitivních: recall
• Nevyvážené třídy: F1-score

2. Proč vysoká accuracy neznamená kvalitní model

Příklad: Pokud model predikuje nemoc, která se vyskytuje pouze u 1 % lidí, a bude vždy říkat „zdravý“, dosáhne 99% přesnosti – ale nezachytí žádného nemocného. Tomu se říká problém nevyvážených dat (class imbalance).

Proto je důležité sledovat metriky jako recall, precision a F1-score, které odhalí skutečnou výkonnost modelu.

3. Confusion matrix: Vizualizace výkonu modelu

Confusion matrix ukazuje:

• True Positive (TP) – správně detekované pozitivní případy
• True Negative (TN) – správně detekované negativní případy
• False Positive (FP) – falešné poplachy
• False Negative (FN) – zmeškané pozitivní případy

Na základě matice lze spočítat:

• precision = TP / (TP + FP)
• recall = TP / (TP + FN)
• accuracy = (TP + TN) / všechno

Matici můžete vizualizovat např. pomocí knihoven Scikit-learn nebo Seaborn.

4. Jak model ladit: Grid search, random search a další

• Grid Search – systematické procházení všech kombinací parametrů
• Random Search – náhodný výběr kombinací (rychlejší a efektivní)
• Bayesovská optimalizace – učení na základě předchozích výsledků

Ladění vám umožní zvýšit výkon modelu bez nutnosti měnit samotný algoritmus.

5. Vyhodnocení modelu v praxi: DataRobot, Colab, SageMaker

• DataRobot – přehledná prezentace všech metrik bez nutnosti psát kód.
• Google Colab – pomocí sklearn.metrics vytvoříte vlastní reporty a grafy.
• AWS SageMaker – nabízí metriky a vizualizace v Jupyter notebooku, ideální pro pokročilejší uživatele.

Nezáleží, ktorý nástroj použijete – dôležité je vždy kombinovať viaceré metriky a čítať ich v kontexte problému, ktorý riešite.

Závěr

Úspěch AI modelu nespočívá pouze v „jednom čísle“. Metody jako confusion matrix, precision, recall či F1-score vám pomůžou pochopit silné a slabé stránky modelu a posunout ho na vyšší úroveň.

Chcete se naučit, jak vyhodnocovat modely, interpretovat výsledky a získat jistotu při práci s AI? Vyzkoušejte kurz AI – Praktický úvod do umelej inteligencie bez predchádzajúcich znalostí, který vás to naučí krok za krokem – i bez předchozí znalosti programování.

Viac informacií preberáme na kurze:

Kurz AI - Praktický úvod do umelej inteligencie (AI) bez predchádzajúcich znalostí

Marián Knězek