Esplora le opzioni di seguito.
Considera un modello di classificazione che suddivide le email in due categorie:
"spam" o "non spam". Se aumenti la soglia di classificazione, che cosa
la precisione?
Decisamente da aumentare.
L'aumento della soglia di classificazione in genere aumenta la precisione;
ma non è garantito che la precisione aumenti in modo monotonico
quando alziamo la soglia.
Probabilmente aumenterà.
In generale, l'aumento della soglia di classificazione riduce i falsi
positivi, aumentando così la precisione.
Probabilmente diminuirà.
In generale, l'aumento della soglia di classificazione riduce i falsi
positivi, aumentando così la precisione.
Decisamente diminuire.
In generale, l'aumento della soglia di classificazione riduce i falsi
positivi, aumentando così la precisione.
Esplora le opzioni di seguito.
Considera un modello di classificazione che suddivide le email in due categorie:
"spam" o "non spam". Se aumenti la soglia di classificazione, che cosa
a ricordare?
Aumenta sempre.
L'aumento della soglia di classificazione provoca i seguenti motivi:
- Il numero di veri positivi diminuirà o rimangono invariati.
- Il numero di falsi negativi aumenterà o rimangono invariati.
Diminuisci o mantieni sempre lo stesso valore.
L'aumento della soglia di classificazione comporterà il numero
di veri positivi diminuiscono o restano invariati e causano la
di falsi negativi deve aumentare o rimanere invariato. Pertanto,
il richiamo resta costante o diminuirà.
Rimani sempre costante.
L'aumento della soglia di classificazione comporterà il numero
di veri positivi diminuiscono o restano invariati e causano la
di falsi negativi deve aumentare o rimanere invariato. Pertanto,
il richiamo resta costante o diminuirà.
Esplora le opzioni di seguito.
Considera due modelli, A e B, che valutano ciascuno lo stesso set di dati.
Quale delle seguenti affermazioni è vera?
Se il modello A ha una precisione migliore del modello B,
modello A è migliore.
Se da un lato una maggiore precisione è un bene, dall'altro potrebbe costare
di una forte riduzione del richiamo. In generale, dobbiamo considerare
sia precisione che richiamo insieme oppure metriche di riepilogo come AUC
di cui parleremo dopo.
Se il modello A ha un richiamo migliore rispetto al modello B, allora il modello A
meglio.
Per quanto un ricordo migliore sia un bene, potrebbe arrivare
a causa di una riduzione significativa della precisione. In generale, abbiamo bisogno
per esaminare insieme precisione e richiamo oppure le metriche di riepilogo
come l'AUC, di cui parleremo dopo.
Se il modello A ha una precisione e un richiamo migliori rispetto al modello B,
il modello A è probabilmente migliore.
In generale, un modello con prestazioni superiori a un altro modello è
precisione e richiamo sono probabilmente il modello migliore. Ovviamente,
dobbiamo fare in modo che il confronto venga fatto
di precisione / richiamo utile in pratica per questo
in modo che sia significativo. Ad esempio, supponiamo che il nostro modello di rilevamento
deve avere una precisione di almeno il 90% per essere utile ed evitare
falsi allarmi non necessari. In questo caso, confrontando
da un modello con {20% accuracy, 99% Recall} a un altro con una precisione
{15% accuracy, 98% Recall} non è particolarmente istruttivo, perché
nessuno dei due modelli soddisfa il requisito di precisione del 90%. Ma con questa avvertenza
Questo è un buon modo per confrontare i modelli quando
precisione e richiamo.