了解分类结果
杰森94
我运行了一个简单的二类神经网络，最终得到了这个结果（评估）：
我想我会很乐意与True Positive和False Negative结果。但是是什么False Positive意思呢？False Positive意味着它没有正确分类 2002 元素并错过了它们？
的Accuracy是66％，这是非常糟糕的吧？那和 有什么区别AUC？
Precision 因为准确性也很差而受到影响（我希望达到 80% 以上）？
我如何翻转Positive Label和Negative Label？我真的很想预测目标要找到的分类CANDIDATE
纳西姆·本
基本上，对于假/真阳性和假/真阴性：您已经检测到数据集中几乎所有的候选样本，其中 3420 个被正确预测为 TRUE，其中 31 个被预测为 FALSE。此信息在召回率中捕获：3420/(3420+31) = 99.1%。非常高，非常好。
但是，您预测的候选对象过多。事实上，在模型预测的所有 TRUE 值中，3420 个实际为 TRUE，2002 个实际为 FALSE。这使得精度比率变差：3420/(3420+2002)=63.1%。这不是那么好。
F1 是 Precision 和 Recall 的组合，它将它们汇总为一个值，某种加权平均值。公式为 2*(P*R)/(P+R)。因此，如果 Precision 或 Recall 之一不好：F1score 将捕获它。
您可以看到您的数据集中共有 5999 个示例。其中，3451 是真的，2548 是真的。所以你有 57% 的数据是真实的。如果你制作了一个非常愚蠢的分类器，无论特征是什么，它都将所有内容都归类为 TRUE，那么你将获得 57% 的准确率。鉴于此，66.1% 的准确率并不是很好。如果您查看该表的第二列，您只会在 5999 个样本中预测 577 个 FALSE。您的分类器严重偏向于 TRUE 预测。
对于 AUC，它代表曲线下面积。您可以在此处阅读有关它的更多详细信息。总结一下：当你预测一个值时，你并没有直接得到 True 或 False 。您会得到一个介于 0（假）和 1（真）之间的实数。对预测值（例如 0.2）进行分类的方法是使用阈值。默认情况下，阈值设置为 0.5。因此，如果您预测 0.2，您的模型将预测将其归类为 False，因为 0.2<0.5。但是你可以让这个阈值在 0 和 1 之间移动。如果分类器真的很好，如果它能够很好地区分 Falses 和 Trues 预测，那么 AUC 将接近 1。如果它真的很糟糕，它将接近 0.5 . 如果您需要更多信息，请参阅链接。
本文收集自互联网，转载请注明来源。
如有侵权，请联系[email protected] 删除。
编辑于
相关文章
Related 相关文章
- 1
Scikit了解多类分类（完美的结果）
- 2
了解线性分类SVM
- 3
了解张量流二进制图像分类结果
- 4
分类报告结果
- 5
分类带来奇怪的结果
- 6
了解nslookup的结果
- 7
不了解Prolog结果
- 8
了解透析器结果
- 9
了解Promise与Obervables的结果
- 10
了解netlib fftpack的结果
- 11
了解此打印结果
- 12
了解继承的意外结果
- 13
无法了解减法结果
- 14
了解回归结果
- 15
了解我的模型生成的分类报告
- 16
python sklearn绘图分类结果
- 17
权重的Ctree分类-结果显示
- 18
了解lipo工具的架构结果
- 19
了解蝗虫汇总结果
- 20
了解MySQL中EXPLAIN的结果
- 21
了解lipo工具的架构结果
- 22
分类器预测结果有偏差
- 23
Scikit分类报告-更改显示结果的格式
- 24
OpenCV Haar分类器结果表说明
- 25
如何保存分类器textblob NaiveBayesClassifier的结果？
- 26
分类模型的参数产生不同的结果
- 27
SVM分类器的sklearn绘图结果
- 28
分类器预测结果有偏差
- 29
RandomForest() 返回阳性结果的概率以及分类
我来说两句