AI人工智能:分类器的性能

开课吧开课吧锤锤2021-03-25 16:32

    在实现机器学习算法之后,我们需要找出模型的有效性。衡量有效性的标准可以基于数据集和度量标准。为了评估不同的机器学习算法,我们可以使用不同的性能指标。例如,假设使用分类器来区分不同对象的图像,可以使用分类性能指标,如平均准确率,AUC等。从某种意义上说,我们选择评估机器学习模型的指标是非常重要的,因为指标的选择会影响机器学习算法的性能如何被测量和比较。以下是一些指标-

    混乱矩阵

    基本上它用于输出可以是两种或更多种类的分类问题。这是衡量分类器性能的最简单方法。混淆矩阵基本上是一个包含两个维度即“实际”和“预测”的表格。这两个维度都有“真正的正面(TP)”,“真正的负面(TN)”,“错误的正面(FP)”,“错误的否定(FN)”。

AI

    在上面的混淆矩阵中,1表示正类,0表示负类。以下是与混淆矩阵相关的术语-

    真正-当实际的数据点类别为1并且预测也为1时,TP就是这种情况。

    真负-当数据点的实际类别为0并且预测也为0时,TN就是这种情况。

    假正-当实际的数据点类别为0并且预测也为1时,FP就是这种情况。

    假负-FN是数据点的实际类别为1且预测也为0的情况。

    准确性

    混淆矩阵本身并不是一个性能指标,但几乎所有的性能矩阵均基于混淆矩阵。其中之一是准确性。在分类问题中,它可能被定义为由模型对各种预测所做的正确预测的数量。计算准确度的公式如下

AI

    精确它主要用于文件检索。它可能被定义为返回的文件有多少是正确的。以下是计算精度的公式

AI

    召回或灵敏度它可能被定义为模型返回的正数有多少。以下是计算模型召回/灵敏度的公式-

AI

    特异性它可以定义为模型返回的负数有多少。这与召回完全相反。以下是计算模型特异性的公式-

AI

    以上就是AI人工智能:分类器的性能的详细解析,今天小编除了赠送大家免费教程,还给大家带来新的课程-清华博士带你详解AI模型算法,赶紧点击下方图片,免费领取

AI

    很多人在学习的时候会遇到瓶颈,这是你吸取再多的知识也不会过去的门槛,那么这个时候,优秀的老师带你度过难关就是最好的选择,不仅能快速提高技术水平,还能跨越瓶颈,实现质的飞跃。

有用
分享
全部评论快来秀出你的观点
登录 后可发表观点…
发表
暂无评论,快来抢沙发!
AI项目实战精讲