Sehen Sie sich die folgenden Optionen an.
Stellen Sie sich ein Klassifizierungsmodell vor, bei dem E-Mails in zwei Kategorien unterteilt werden:
"Spam" oder „Kein Spam“. Was wird beim Erhöhen des Klassifizierungsschwellenwerts
Präzision?
Definitiv.
Durch das Erhöhen des Klassifizierungsschwellenwerts wird in der Regel die Precision erhöht.
Es ist jedoch nicht garantiert, dass die Genauigkeit kontinuierlich steigt.
wenn wir den Grenzwert erhöhen.
Wahrscheinlich erhöhen.
Im Allgemeinen wird durch eine Erhöhung des Klassifizierungsschwellenwerts der Wert „false“ reduziert.
positive Ergebnisse, wodurch die Precision erhöht wird.
Wahrscheinlich sinkt.
Im Allgemeinen wird durch eine Erhöhung des Klassifizierungsschwellenwerts der Wert „false“ reduziert.
positive Ergebnisse, wodurch die Precision erhöht wird.
Definitiv sinken.
Im Allgemeinen wird durch eine Erhöhung des Klassifizierungsschwellenwerts der Wert „false“ reduziert.
positive Ergebnisse, wodurch die Precision erhöht wird.
Sehen Sie sich die folgenden Optionen an.
Stellen Sie sich ein Klassifizierungsmodell vor, bei dem E-Mails in zwei Kategorien unterteilt werden:
"Spam" oder „Kein Spam“. Was wird beim Erhöhen des Klassifizierungsschwellenwerts
erinnern?
Immer erhöhen.
Eine Erhöhung des Klassifizierungsschwellenwerts hat folgende Auswirkungen:
<ph type="x-smartling-placeholder">
- </ph>
- Die Anzahl der richtig positiven Ergebnisse nimmt ab bzw. unverändert bleiben.
- Die Anzahl der falsch negativen Ergebnisse steigt oder unverändert bleiben.
Verringern Sie die Anzahl immer oder bleiben Sie gleich.
Eine Erhöhung des Klassifizierungsschwellenwerts führt dazu,
Richtig positive Ergebnisse verringern oder gleich bleiben und dazu führen,
die Anzahl der falsch negativen Ergebnisse, um zu erhöhen oder gleich zu bleiben. Das heißt:
bleibt entweder konstant
oder nimmt ab.
Bleib immer konstant.
Eine Erhöhung des Klassifizierungsschwellenwerts führt dazu,
Richtig positive Ergebnisse verringern oder gleich bleiben und dazu führen,
die Anzahl der falsch negativen Ergebnisse, um zu erhöhen oder gleich zu bleiben. Das heißt:
bleibt entweder konstant
oder nimmt ab.
Sehen Sie sich die folgenden Optionen an.
Stellen Sie sich zwei Modelle – A und B – vor, die jeweils dasselbe Dataset auswerten.
Welche der folgenden Aussagen ist richtig?
Wenn Modell A eine höhere Precision als Modell B hat,
Modell A ist besser.
Höhere Genauigkeit ist zwar gut, kann aber auf Kosten des Problems gehen.
stark reduziert. Im Allgemeinen müssen wir
Precision und Recall zusammen, oder zusammenfassende Messwerte wie AUC
über die wir als Nächstes sprechen werden.
Hat Modell A eine bessere Trefferquote als Modell B, ist Modell A
besser machen.
Eine bessere Erinnerung ist zwar gut, aber vielleicht
einer erheblichen Reduzierung der Genauigkeit. Im Allgemeinen benötigen wir
um Precision und Recall zusammen zu betrachten,
wie AUC, über das wir als Nächstes sprechen werden.
Wenn Modell A eine höhere Precision und eine bessere Trefferquote als Modell B hat,
dann ist Modell A wahrscheinlich besser.
Im Allgemeinen schneidet ein Modell,
das in beiden Bereichen besser abschneidet,
sind Precision und Recall wahrscheinlich das bessere Modell. Offensichtlich
müssen wir sicherstellen, dass der Vergleich
Genauigkeits-/Recall-Punkt, der in der Praxis für diese
um sinnvoll zu sein. Angenommen, unser Spamerkennungsmodell
muss eine Genauigkeit von mindestens 90% haben, um nützlich zu sein
unnötige Fehlalarme. In diesem Fall wird
von einem Modell mit {20% Precision, 99% Recall} zu einem anderen Modell,
{15% Precision, 98% Recall} nicht besonders aufschlussreich, da
Keines der beiden Modelle erfüllt die Anforderung an die Genauigkeit von 90 %. Aber mit diesem Vorbehalt
ist dies eine gute Möglichkeit, über
den Vergleich von Modellen nachzudenken,
Precision und Recall.