德国或将在2022年全面关闭3G网络

在70个实际的阳性数据点中，您的模型预测64个点为正，6个点为负。在30个实际负点中，它预测3个正点和27个负点。

注意：   在“   真肯定”，“真否定”，“假肯定”和“假否定”表示法中 ，请注意，第二项（“正”或“负”）表示您的预测，而第一项则表示您预测的是对还是错。

基于上面的矩阵，我们可以定义一些非常重要的比率：

TPR（真正率）=（真正/实际正）

TNR（真负利率）=（真负/实际负）

FPR（误报率）=（误报/实际负）

FNR（假负率）=（假负/实际正数）

对于我们的糖尿病检测模型，我们可以计算以下比率：

TPR = 91.4％

TNR = 90％

FPR = 10％

FNR = 8.6％

如果您希望模型很聪明，那么模型必须正确预测。这意味着您的   “正肯定”  和  “负否定”  应尽可能高 ，同时，您需要将错误 肯定  和  错误否定 应尽可能少的 错误降至最低   。   同样在比率方面，您的   TPR和TNR  应该很高，   而  FPR和FNR  应该非常低 ，

智能模型：  TPR↑，TNR↑，FPR↓，FNR↓

愚蠢的模型：  TPR，TNR，FPR，FNR的任何其他组合

可能有人争辩说，不可能平等地照顾所有四个比率，因为最终没有一种模型是完美的。那我们该怎么办？

是的，它是真的。因此，这就是为什么我们要建立模型并牢记领域的原因。在某些领域要求我们将特定比率作为主要优先事项，即使以其他比率较差为代价。例如，在癌症诊断中，我们不能不惜一切代价错过任何阳性患者。因此，我们应该将TPR保持在最大值，将FNR保持在接近0的水平。即使我们预测有任何健康的患者被诊断出，也仍然可以，因为他可以进行进一步检查。

准确性

准确度是其字面意思，表示模型的准确度。

准确性=正确的预测/总预测

通过使用混淆矩阵，精度=（TP + TN）/（TP + TN + FP + FN）

准确性是我们可以使用的最简单的性能指标之一。但是让我警告您，准确性有时会导致您对模型产生错误的幻想，因此您应该首先了解所使用的数据集和算法，然后才决定是否使用准确性。

在讨论准确性的失败案例之前，让我为您介绍两种类型的数据集：

1. 平衡的： 一个数据集，包含所有标签/类别几乎相等的条目。例如，在1000个数据点中，600个为正，400个为负。

2. 不平衡： 一种数据集，其中包含偏向特定标签/类别的条目的分布。例如，在1000个条目中，有990个为正面类别，有10个为负面类别。

非常重要：处理不平衡的测试集时，切勿使用准确性作为度量。

为什么？

假设您有一个不平衡的测试集，其中包含 990（+ ve）   和   10（-ve） 的1000个条目  。最终，您以某种方式最终创建了一个糟糕的模型，该模型总是会因列车不平衡而始终预测“ + ve”。现在，当您预测测试集标签时，它将始终预测为“ + ve”。因此，从1000个测试设定点中，您可以获得1000个“ + ve”预测。然后你的准确性就会来

990/1000 = 99％

哇！惊人！您很高兴看到如此出色的准确性得分。

但是，您应该知道您的模型确实很差，因为它总是预测“ + ve”标签。

非常重要：同样，我们无法比较两个返回概率得分并具有相同准确性的模型。

有某些模型可以像Logistic回归那样给出每个数据点属于特定类的概率。让我们来考虑这种情况：

（编辑：盐城站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!