Я помню эпизод на Banana Data , где ведущие обсуждали шутки, написанные ИИ, и обсуждали, что тогда было началом функций предиктивного ввода текста в Gmail. Это заставило меня задуматься об оценке моделей: учитывая широкое применение моделей машинного обучения, что именно является хорошей моделью, а что — плохой? Прежде чем углубляться, давайте сначала проясним очень важное слово в оценке модели, которое часто просто неправильно используют: точность. Кажется достаточно простым, не..

Когда я начал работать над проблемами машинного обучения, я наткнулся на Матрицу путаницы, чтобы оценить измерение производительности для проблем классификации. Изначально это меня сильно сбивало с толку, и в конечном итоге я всегда смешивал термины, но вот быстрый и простой способ запомнить Матрицу путаницы. Этот блог призван ответить на следующие вопросы : 1. Как быстро понять матрицу путаницы для двухклассовой классификации? 2. Как определить истинно положительный, истинно..

В машинном обучении проблема классификации относится к прогнозному моделированию, когда метку класса необходимо предсказать для данного наблюдения (записи). Хотя входные данные (характеристики) состоят из непрерывных или категориальных переменных, выходные данные всегда являются категориальной переменной. Например, на основе входных данных, таких как информация о погоде (влажность, температура, облачно / солнечно, скорость ветра и т. Д.) И время года, предсказать, будет ли сегодня..

Простыми словами, точность означает, сколько раз наш классификатор предсказал правильный вывод, деленный на общее количество точек данных в нашем наборе. Матрица путаницы Хотя точность выглядит неплохо, она не дает нам четкой картины того, обрабатывались ли и как обрабатывались разные классы. В некоторых сценариях нас устраивает общая точность, тогда как в некоторых сценариях стоимость неправильной классификации одной точки данных огромна. Например, в сценарии, когда банк..

В этой статье мы обсудим несколько важных метрик, которые используются в алгоритмах классификации при обучении с учителем. Хотя существует множество метрик, которые потенциально можно использовать для измерения эффективности модели классификации, некоторые из основных метрик перечислены ниже. Матрица путаницы . Это один из наиболее важных и наиболее часто используемых показателей для оценки точности классификации. Обычно по оси X показаны «истинные классы», а по оси Y представлены..