06.4 如何比较不同类型的错误

内容与核心概念

在上一页,熟悉的点和新数据。
正确答复的总数没有告诉我们犯了什么错误。
选择直线和分分点使看到简单数据的学习过程成为可能,核查答复不参与更正。
Для изменения рисунка включитеJavaScript; расчёт и теория доступны далее.
我们在乎什么错误?
TP是一个积极的范例,被认为是积极的;FP是消极的,是积极的; FN是错失的积极;TN是准确的消极例子;首先我们捕捉了预产阶级,然后我们算数衡量标准。
a
c
c
u
r
a
c
y
=
T
P
+
T
N
N
,
p
r
e
c
i
s
i
o
n
=
T
P
T
P
+
F
P
,
r
e
c
a
l
l
=
T
P
T
P
+
F
N
,
F
P
R
=
F
P
F
P
+
T
N
.
\mathrm{accuracy}=\frac{TP+TN}{N},\quad
\mathrm{precision}=\frac{TP}{TP+FP},\quad
\mathrm{recall}=\frac{TP}{TP+FN},\quad
\mathrm{FPR}=\frac{FP}{FP+TN}.
accuracy
=
N
TP
+
TN
​
,
precision
=
TP
+
FP
TP
​
,
recall
=
TP
+
FN
TP
​
,
FPR
=
FP
+
TN
FP
​
.
对于 TP = 2, FP= 1, FN= 1 , FIN=1, FEN=2 3, TN=2准确性=2/3, 精准度=crecall=2/3, FPR=1/3, 如果模型没有预测出一种预兆, 分母前置值等于 0。 在我们的实验室中, 结果是“ 未定义 ” , 而不是任意的100%。 重回仍然可以确定是否有真实的假设 。
实验。
提高一组不变分数的门槛值。 预先偏好的数量不会增加; TP和FP可能会一步步下降。 ROC认为对等( FPR、TPR)在不同的门槛值上不同,一个会议矩阵对应一个。 曲线下的区域不能取代工作门槛和错误价格的选择。
很容易犯错
高精确度并不能解决问题本身,偏见还取决于流行程度,这与第04章中的Bayes有关。
tp,fp,fn,tn=2,1,1,2
assert (tp+tn)/(tp+fp+fn+tn)==2/3
assert tp/(tp+fp)==2/3 and fp/(fp+tn)==1/3
代码重复了刚刚处理的操作
完全检查了 Python 示例章节
可用一个单独的文件; 显示的短片不会取代其执行 。
分母 TP+FP 等于 0。 这显示了不确定性 。
没有现成的正确答案的集团:这个问题如何继续下去?
第06章Python实例
学术基础