5G和物联网将如何促进制造业发展
|
精确调用曲线可以是任何形状。因此，我在这里显示三种不同的形状。如果您不能自己决定是否需要更高的精度或更高的查全率，则可以使用F1分数。 F1分数 F1分数是准确性和召回率的平均值。但是平均公式却不同。常规平均公式在这里不起作用。看一下平均公式： (精确+召回)/ 2
即使精度为0或召回率为零，平均值仍为0.5。请记住，从我们之前的讨论中可以看出，精度为零是什么意思。我们总是可以预测y =1。因此，这应该是不可接受的。因为整个精确调用的想法是避免这种情况。公式F1得分是： 从精确度和召回率做出决策 精确度和召回率可以更好地了解算法的实际运行方式，尤其是在数据集高度偏斜的情况下。如果我们一直预测为0并获得99.5%的准确度，则召回率和精确度都将为0。因为没有真正的肯定。因此，您知道分类器不是一个好的分类器。当精度和查全率都很高时，表明该算法运行良好。 假设仅在高度自信的情况下，我们要预测y = 1。因为有时候这很重要。特别是当我们处理医疗数据时。假设我们正在检测某人是否患有心脏病或癌症。预测假阳性会给一个人的生活带来很多痛苦。提醒一下，通常，逻辑假设如果假设大于或等于0.5，则预测1;如果假设小于0.5，则预测0。
但是，当我们如上所述处理某些敏感情况时，我们想更确定自己的结果，如果假设≥0.7，我们将预测为1，如果假设<0.7，我们将预测为0。如果您想对结果更有信心，可以看到0.9之类的值。因此，您将90%地确定某人是否患有癌症。 现在，看看精度和召回率公式。真实肯定和错误肯定都会更低。因此，精度会更高。但另一方面，由于我们现在将预测更多的负面因素，因此，假阴性的可能性会更高。在这种情况下，召回率会更高。但是太多的假阴性也不好。如果某人确实患有癌症，或者某个账户有欺诈行为，但是我们告诉他们他们没有癌症，或者该账户没有欺诈行为，则可能导致灾难。 为了避免误报并提高召回率，我们需要将阈值更改为以下内容：
与以前的情况相反，我们将具有更高的召回率和更低的精度。
那么如何确定阈值呢?这将取决于您的要求。根据数据集，您必须决定是否需要更高的精度或更高的查全率。这是精度调用曲线： 从公式中可以看出，更高的精度是好的。因为更高的精度意味着更多的真实肯定。这意味着当我们说此交易是欺诈性的时，这是事实。 召回 回忆告诉我们，最初欺诈的所有交易中有多少被检测为欺诈。这意味着，如果我们告知银行适当的权力采取行动，那么在某笔交易实际上是欺诈的情况下。当我第一次阅读这些关于精确度和召回率的定义时，我花了一些时间才能真正理解它们之间的区别。我希望你能更快地得到它。如果没有，那就不用担心。你不是一个人。
召回率可以通过以下公式计算： （编辑：阜新站长网） 【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! |
