Pelajari opsi di bawah ini.

Pertimbangkan model klasifikasi yang memisahkan email menjadi dua kategori: "spam" atau "bukan spam". Jika Anda meningkatkan batas klasifikasi, apa yang terjadi pada presisi?

Pasti meningkat.

Meningkatkan batas klasifikasi biasanya akan meningkatkan presisi; Namun, presisi tidak dijamin akan meningkat secara monoton seiring dengan peningkatan ambang batas.

Mungkin meningkat.

Umumnya, meningkatkan batas klasifikasi akan mengurangi nilai positif, sehingga meningkatkan presisi.

Mungkin menurun.

Umumnya, meningkatkan batas klasifikasi akan mengurangi nilai positif, sehingga meningkatkan presisi.

Pasti menurun.

Umumnya, meningkatkan batas klasifikasi akan mengurangi nilai positif, sehingga meningkatkan presisi.

Pelajari opsi di bawah ini.

Pertimbangkan model klasifikasi yang memisahkan email menjadi dua kategori: "spam" atau "bukan spam". Jika Anda meningkatkan batas klasifikasi, apa yang mengingat kembali?

Selalu meningkat.

Meningkatkan batas klasifikasi akan menyebabkan hal berikut:

• Jumlah positif benar akan berkurang atau tetap sama.
• Jumlah negatif palsu akan meningkat atau tetap sama.

Dengan demikian, perolehan tidak akan meningkat.

Selalu turunkan atau tetap sama.

Meningkatkan batas klasifikasi akan menyebabkan jumlah positif benar menurun atau tetap sama dan akan menyebabkan jumlah negatif palsu akan bertambah atau tetap sama. Dengan demikian, akan tetap konstan atau menurun.

Selalu konstan.

Meningkatkan batas klasifikasi akan menyebabkan jumlah positif benar menurun atau tetap sama dan akan menyebabkan jumlah negatif palsu akan bertambah atau tetap sama. Dengan demikian, akan tetap konstan atau menurun.

Pelajari opsi di bawah ini.

Pertimbangkan dua model—A dan B—yang masing-masing mengevaluasi set data yang sama. Manakah dari pernyataan berikut yang benar?

Jika Model A memiliki presisi yang lebih baik daripada model B, model A lebih baik.

Meskipun presisi yang lebih baik itu bagus, hal itu mungkin akan mengorbankan pengurangan yang signifikan pada perolehan. Secara umum, kita perlu melihat baik presisi maupun perolehan, atau metrik ringkasan seperti ABK yang akan kita bicarakan selanjutnya.

Jika model A memiliki perolehan yang lebih baik daripada model B, maka model A dengan lebih baik.

Meskipun ingatan yang lebih baik itu bagus, itu bisa saja terjadi pada biaya pengurangan yang besar dalam presisi. Secara umum, kita perlu untuk melihat baik presisi maupun perolehan, atau metrik ringkasan seperti AUC, yang akan kita bahas selanjutnya.

Jika model A memiliki presisi dan perolehan yang lebih baik daripada model B, maka model A mungkin lebih baik.

Secara umum, model yang mengungguli model lain pada presisi dan perolehan mungkin merupakan model yang lebih baik. Tentunya, kita harus memastikan bahwa perbandingan dilakukan pada presisi / titik recall yang berguna dalam praktik untuk ini menjadi bermakna. Misalnya, anggaplah model deteksi spam kita harus memiliki setidaknya 90% presisi agar dapat berguna dan menghindari alarm palsu yang tidak perlu dilakukan. Dalam hal ini, membandingkan satu model dengan {20% presisi, 99% perolehan} ke model lain dengan {15% presisi, 98% perolehan kembali} tidak terlalu instruktif, karena tidak ada model yang memenuhi persyaratan presisi 90%. Namun, dengan alasan tersebut Ini adalah cara yang baik untuk berpikir tentang membandingkan model saat menggunakan presisi dan perolehan.