Explora las opciones que aparecen a continuación.
Considera un modelo de clasificación que separe los correos electrónicos en dos categorías:
"spam" o "no es spam". Si aumentas el umbral de clasificación, ¿qué
la precisión?
Definitivamente aumentará.
El aumento del umbral de clasificación generalmente aumenta la precisión.
Sin embargo, no se garantiza que la precisión aumente de forma monótona
a medida que aumentamos el umbral.
Probablemente aumentará.
En general, el aumento del umbral de clasificación reduce los falsos
positivos, lo que aumenta la precisión.
Probablemente disminuirá.
En general, el aumento del umbral de clasificación reduce los falsos
positivos, lo que aumenta la precisión.
Definitivamente disminuirá.
En general, el aumento del umbral de clasificación reduce los falsos
positivos, lo que aumenta la precisión.
Explora las opciones que aparecen a continuación.
Considera un modelo de clasificación que separe los correos electrónicos en dos categorías:
"spam" o "no es spam". Si aumentas el umbral de clasificación, ¿qué
recordar?
Aumentar siempre.
El aumento del umbral de clasificación provocará lo siguiente:
- El número de verdaderos positivos disminuirá o siguen siendo los mismos.
- El número de falsos negativos aumentará o siguen siendo los mismos.
Siempre disminuirá o permanecerá igual.
Si elevas el umbral de clasificación,
que los verdaderos positivos disminuyan o permanezcan iguales, y harán que la
la cantidad de falsos negativos que aumente o permanezca igual. Por lo tanto,
la recuperación se mantendrán constantes o disminuirán.
Mantente siempre constante.
Si elevas el umbral de clasificación,
que los verdaderos positivos disminuyan o permanezcan iguales, y harán que la
la cantidad de falsos negativos que aumente o permanezca igual. Por lo tanto,
la recuperación se mantendrán constantes o disminuirán.
Explora las opciones que aparecen a continuación.
Considera dos modelos, A y B, que evalúan el mismo conjunto de datos.
¿Cuál de las siguientes afirmaciones es verdadera?
Si el modelo A tiene mejor precisión que el modelo B, entonces
el modelo A es mejor.
Si bien una mayor precisión es buena, esto puede generar un gasto
de una gran reducción en la recuperación. En general, debemos analizar
en conjunto, como la precisión y la recuperación, o las métricas de resumen, como el AUC
de lo que hablaremos a continuación.
Si el modelo A tiene mejor recuperación que el modelo B, entonces el modelo A es
mejor.
Si bien es bueno tener una mejor recuperación, es posible que
el gasto de una gran reducción de la precisión. En general, necesitamos
para analizar la precisión y la recuperación en conjunto, o resumir las métricas
como el AUC, de lo que hablaremos a continuación.
Si el modelo A tiene mejor precisión y mejor recuperación que el modelo B,
entonces el modelo A probablemente sea mejor.
En general, un modelo que supera a otro en ambas
es probable que la precisión y la recuperación sean el mejor modelo. Obviamente,
tendremos que asegurarnos de que la comparación se realice de manera
de precisión / recuperación que es útil en la práctica para este
sean significativos. Por ejemplo, supongamos que nuestro modelo de detección de spam
necesita tener al menos un 90% de precisión para ser útil y evitar
falsas innecesarias. En este caso, comparar
un modelo con {20% de precisión, 99% de recuperación} a otro con
{15% de precisión, 98% de recuperación} no es particularmente instructivo, ya que
ninguno de los modelos cumple con el requisito de precisión del 90%. Pero con esa salvedad
en mente, esta es una buena forma de pensar
en comparar modelos cuando se usan
de exactitud, precisión y recuperación.