Découvrez les options ci-dessous.
Prenons l'exemple d'un modèle de classification qui divise les e-mails en deux catégories:
"spam" ou "non-spam". Si vous augmentez la valeur du seuil de classification,
à la précision ?
Augmenter sans aucun doute.
En général, l'augmentation du seuil de classification
augmente la précision.
Cependant, il n'est pas garanti que la précision augmente de façon monotone.
à mesure que nous augmentons le seuil.
Probablement une augmentation.
En général, l'augmentation du seuil de classification réduit
positifs, ce qui augmente la précision.
Probablement diminuer.
En général, l'augmentation du seuil de classification réduit
positifs, ce qui augmente la précision.
Certainement diminuer.
En général, l'augmentation du seuil de classification réduit
positifs, ce qui augmente la précision.
Découvrez les options ci-dessous.
Prenons l'exemple d'un modèle de classification qui divise les e-mails en deux catégories:
"spam" ou "non-spam". Si vous augmentez la valeur du seuil de classification,
se souvient-ils ?
Toujours augmenter.
L'augmentation du seuil de classification aura les deux conséquences suivantes:
<ph type="x-smartling-placeholder">
- </ph>
- Le nombre de vrais positifs diminue ou diminue restent les mêmes.
- Le nombre de faux négatifs augmente restent les mêmes.
Toujours diminuer ou rester inchangés.
Si vous élevez notre seuil de classification,
des vrais positifs diminuent ou stagnent, ce qui entraîne
de faux négatifs à augmenter
ou à rester le même. Ainsi,
le rappel va rester constant ou diminuer.
Restez constant(e).
Si vous élevez notre seuil de classification,
des vrais positifs diminuent ou stagnent, ce qui entraîne
de faux négatifs à augmenter
ou à rester le même. Ainsi,
le rappel va rester constant ou diminuer.
Découvrez les options ci-dessous.
Prenons l'exemple de deux modèles A et B évaluant chacun le même ensemble de données.
Quelle affirmation est vraie ?
Si le modèle A offre une meilleure précision que le modèle B, alors
le modèle A est meilleur.
Bien qu'une meilleure précision soit bonne, cela peut se faire au détriment.
d'une forte réduction du rappel. En général, nous devons examiner
la précision et le rappel simultanément, ou des métriques récapitulatives comme l'AUC
dont nous parlerons ensuite.
Si le modèle A offre un meilleur rappel que le modèle B, alors le modèle A est
mieux encore.
Un meilleur rappel
est bon, mais il peut arriver
ce qui réduit considérablement la précision. En général, nous avons besoin
pour examiner à la fois la précision et le rappel, ou des métriques récapitulatives
comme l'AUC, dont nous
parlerons ensuite.
Si le modèle A offre une meilleure précision et un meilleur rappel que le modèle B,
alors le modèle A est probablement le meilleur.
En général, un modèle qui surpasse un autre modèle à la fois
la précision et le rappel sont
probablement le meilleur modèle. Évidemment,
nous devons nous assurer que la comparaison est effectuée à un
un point de précision / rappel utile en pratique.
pour avoir du sens. Par exemple, supposons que notre modèle de détection de spam
doit avoir une précision d'au moins 90% pour être utile
et de fausses alertes inutiles. Dans ce cas, la comparaison
d'un modèle à {20% de précision, 99% de rappel} à un autre à
{15% precision, 98% rappel} n'est pas particulièrement instructif, car
aucun des deux modèles ne répond
à l'exigence de précision de 90 %. Mais avec cette mise en garde
à l'esprit qu'il s'agit d'un bon moyen de
comparer les modèles lorsque vous les utilisez
comme la précision et le rappel.