Modèle de précision

Modèle de lettre vice caché maison
February 14, 2019
Modèle dentele
February 15, 2019

Modèle de précision

Immédiatement, vous pouvez voir que Precision parle de la précision/précision de votre modèle est hors de ceux prédit positif, combien d`entre eux sont réels positifs. Habituellement, les scores de précision et de rappel ne sont pas discutés isolément. Au lieu de cela, les valeurs d`une mesure sont comparées pour un niveau fixe à l`autre mesure (par exemple, la précision à un niveau de rappel de 0,75) ou les deux sont combinées en une seule mesure. Des exemples de mesures qui sont une combinaison de précision et de rappel sont la mesure F (la moyenne harmonique pondérée de précision et de rappel), ou le coefficient de corrélation de Matthews, qui est une moyenne géométrique des variantes corrigées des chances: la régression les coefficients Informedness (DeltaP`) et Markedness (DeltaP). 1 [2] la précision est une moyenne arithmétique pondérée de précision et de précision inverse (pondérée par Bias) ainsi qu`une moyenne arithmétique pondérée de rappel et de rappel inverse (pondérée par la prévalence). [1] la précision inverse et le rappel inverse sont simplement la précision et le rappel du problème inverse où les étiquettes positives et négatives sont échangées (pour les classes réelles et les étiquettes de prédiction). Rappel et rappel inverse, ou taux positif équivalent vrai et taux de faux positifs, sont souvent tracés les uns contre les autres comme courbes ROC et fournir un mécanisme de principe pour explorer les compromis de point de fonctionnement. En dehors de la récupération de l`information, l`application du rappel, de la précision et de la mesure F est argumenté pour être viciée car ils ignorent la véritable cellule négative de la table de contingence, et ils sont facilement manipulés par le biais de la polarisation des prédictions. [1] le premier problème est «résolu» en utilisant la précision et le deuxième problème est «résolu» en décomptant le composant de chance et renormalisation à Kappa de Cohen, mais cela ne donne plus l`occasion d`explorer les compromis graphiquement. Cependant, l`informatisation et la commercialisation sont des renormaliations de genre Kappa de Recall et de précision [3] et leur coefficient de corrélation de Matthews moyen géométrique agit ainsi comme une mesure F débiaisée.

La précision est utilisée avec le rappel, le pourcentage de tous les documents pertinents qui est retourné par la recherche. Les deux mesures sont parfois utilisées ensemble dans le score F1 (ou f-mesure) pour fournir une mesure unique pour un système. La précision est une bonne mesure à déterminer, lorsque les coûts de faux positif est élevé. Par exemple, la détection de spam par e-mail. Dans la détection de spam par e-mail, un faux positif signifie qu`un e-mail qui est non-spam (négatif réel) a été identifié comme spam (spam prédit). L`utilisateur de messagerie peut perdre des e-mails importants si la précision n`est pas élevée pour le modèle de détection de spam. La précision mesure le pourcentage d`e-mails marqués comme spam qui ont été correctement classés, c`est-à-dire le pourcentage de points à droite de la ligne de seuil qui sont verts dans la figure 1: dans les statistiques, si l`hypothèse nulle est que tous les éléments ne sont pas pertinents (où le hypothèse est acceptée ou rejetée en fonction du nombre sélectionné par rapport à la taille de l`échantillon), l`absence d`erreurs de type I et de type II correspond respectivement à la précision maximale (pas de faux positif) et au rappel maximal (pas de faux négatif). L`exemple de reconnaissance de modèle ci-dessus contenait 8 − 5 = 3 erreurs de type I et 12 − 5 = 7 Erreurs de type II.

Comments are closed.