Pytania otagowane jako precision-recall

P&R to sposób pomiaru trafności zbioru pobranych instancji. Precyzja to procent poprawnych instancji spośród wszystkich pobranych instancji. Trafność to odsetek pobranych prawdziwych instancji. Średnia harmoniczna P&R to wynik F1. P&R są używane w eksploracji danych do oceny klasyfikatorów.

Klasyfikator z regulowaną precyzją vs przywołanie

Pracuję nad problemem klasyfikacji binarnej, w której znacznie ważniejsze jest, aby nie mieć fałszywych trafień; całkiem sporo fałszywych negatywów jest w porządku. Użyłem na przykład wielu klasyfikatorów w sklearn, ale myślę, że żaden z nich nie ma możliwości wyraźnego dostosowania kompromisu przywoływania precyzji (dają całkiem dobre wyniki, ale nie można …

11 classification precision-recall

Co jest dobrym AUC dla krzywej przywołania dokładności?

Ponieważ mam bardzo niezrównoważony zestaw danych (9% pozytywnych wyników), zdecydowałem, że krzywa przywołania dokładności jest bardziej odpowiednia niż krzywa ROC. Otrzymałem analogiczną miarę sumaryczną pola powierzchni pod krzywą PR (0,49, jeśli jesteś zainteresowany), ale nie jestem pewien, jak ją interpretować. Słyszałem, że 0,8 lub więcej to dobry AUC dla ROC, …

11 classification precision-recall auc

Dlaczego wynik beta określa tak beta?

To jest wynik F beta: faβ= ( 1 + β2)) ⋅ p r e c i s i o n ⋅ r e c a l l( β2)⋅ p r e c i s i o n ) + r e c a l lFβ=(1+β2)⋅precision⋅recall(β2⋅precision)+recallF_\beta = (1 + \beta^2) \cdot …

10 machine-learning precision-recall model-evaluation

Interpretacja obszaru pod krzywą PR

Obecnie porównuję trzy metody i mam metryki Dokładność, auROC i auPR. I mam następujące wyniki: Metoda A - wg: 0,75, auROC: 0,75, auPR: 0,45 Metoda B - wg: 0,65, auROC: 0,55, auPR: 0,40 Metoda C - acc: 0,55, auROC: 0,70, auPR: 0,65 Dobrze rozumiem dokładność i auROC (aby dobrze zapamiętać, …

10 machine-learning roc precision-recall

Dlaczego wycofywanie nie bierze pod uwagę prawdziwych negatywów?

Dlaczego wycofywanie nie bierze pod uwagę prawdziwych negatywów? Czy w eksperymentach, w których prawdziwe negatywy są tak samo ważne jak prawdziwe pozytywy, czy ich porównywalna metryka bierze to pod uwagę?

10 precision-recall

próg klasyfikacji w RandomForest-sklearn

1) Jak mogę zmienić próg klasyfikacji (domyślnie jest to 0,5) w RandomForest w sklearn? 2) Jak mogę zaniżać próbkę w sklearn? 3) Mam następujący wynik z klasyfikatora RandomForest: [[1635 1297] [520 3624]] precision recall f1-score support class 0 0.76 0.56 0.64 2932 class 1 0.74 0.87 0.80 4144 śr. / …

9 classification random-forest precision-recall unbalanced-classes

Korzystając z naszej strony potwierdzasz, że przeczytałeś(-aś) i rozumiesz nasze zasady używania plików cookie i zasady ochrony prywatności.

Licensed under cc by-sa 3.0 with attribution required.