Публикации по теме 'accuracy'


Оценка логистической регрессии в Python
Все, что вам нужно знать об общих показателях оценки для логистической регрессии с примерами кода на Python. Полный код здесь . Логистическая регрессия является разновидностью линейной регрессии. Он моделирует вероятности для проблем классификации с двумя возможными исходами, то есть вероятностью p успеха/да/верно/один и вероятностью q (1- p) отказ/нет/ложь/ноль с вероятностью. Следовательно, выход соответствует распределению Бернулли, как показано на рисунке ниже. Зависимые..
Какая точность на самом деле хороша для алгоритма машинного обучения?
Какая точность на самом деле хороша для алгоритма машинного обучения? Это зависит от проблемы, над которой мы работаем Представьте, что вы работаете над проблемой обнаружения рака, и ваш алгоритм имеет точность 99,9%. Вы будете очень взволнованы, так как считаете, что этот уровень точности недостижим, но подождите — ваш алгоритм на самом деле работает здесь хуже всех. Теперь подумайте над своей проблемой еще раз: точность 99,9% означает, что из 1000 тестов 999 раз ваша модель..
Регрессия дерева решений
Модель дерева решений, как следует из названия, представляет собой древовидную модель с листьями, ветвями и узлами. Он используется для задачи регрессии, которую можно использовать для прогнозирования непрерывных выходных данных вместо дискретных выходных данных. Среднеквадратическая ошибка: Мы можем предсказать точность регрессионной модели дерева решений, используя среднеквадратичную ошибку (MSE). И, как следует из названия, MSE находит среднее значение всех квадратов ошибок. Его..
Точность модели машинного обучения против объяснимости/интерпретируемости.
Модели машинного обучения стали неотъемлемой частью многих отраслей, включая здравоохранение, финансы и транспорт. Эти модели предназначены для прогнозирования результатов на основе исторических данных, и их успех часто измеряется с точки зрения их точности. Однако точность — не единственная метрика, которая имеет значение, когда речь идет о моделях машинного обучения. Объяснимость и интерпретируемость также являются критическими факторами, которые могут повлиять на успех и принятие..
3 столпа двоичной классификации: точность, прецизионность и отзывчивость
Классификация - важный сектор машинного обучения. Он способен различать клиентов, которые сохранят лояльность компании, а кто нет (прогноз оттока), обнаруживать различия в характеристиках кошек и собак (классификация изображений), распознавать закономерности в данных (распознавание образов) и многие другие приложения. В этой статье мы обнаружим, что простая задача классификации - двоичная классификация - имеет несколько метрик, с помощью которых нужно оценивать, и определение..
Показатели вашей модели не всегда верны
Итак, у вас есть данные о проблеме, которую вы хотите решить с помощью ML, вы идете вперед и очищаете ее, а затем строите модели на ее основе, и за всю вашу тяжелую работу вы получаете потрясающие значения метрик, и вы довольны этим, и за всю эту тяжелую работу я бы тоже был счастлив, пока не понял эту очень дерзкую и скрытую концепцию утечки данных, и мне бы очень хотелось узнать это раньше. ДОВОЛЬНЫ ЭТОЙ ТОЧНОСТЬЮ? История начинается с того, что мы должны создать модель,..
Точность, отзывчивость и точность
Точность - не единственная метрика модели, которую необходимо учитывать. Есть еще два показателя - точность и отзыв. Точность - хороший способ определить, когда высока цена ложных срабатываний. Например. - обнаружение спама в электронной почте. Напоминание - когда ложноотрицательные результаты связаны с высокими затратами. Например. - выявление мошенничества или выявление больных. Взгляните на эту матрицу путаницы: Средняя точность (AP) суммирует кривую..