Zapoznaj się z tymi opcjami.

Rozważmy model klasyfikacji, który dzieli e-maile na 2 kategorie: „spam” lub „Nie spam”. Jeśli podniesiesz próg klasyfikacji, czy precyzja?

Zdecydowanie większa.

Podniesienie progu klasyfikacji zwykle zwiększa precyzję. jednak precyzja nie zostanie zwiększona monotonicznie, gdy zwiększamy próg płatności.

Prawdopodobnie wzrośnie.

Ogólnie rzecz biorąc, podniesienie progu klasyfikacji zmniejsza liczbę fałszywych co zwiększa precyzję.

Prawdopodobnie zmaleje.

Ogólnie rzecz biorąc, podniesienie progu klasyfikacji zmniejsza liczbę fałszywych co zwiększa precyzję.

Zdecydowanie zmniejszyć.

Ogólnie rzecz biorąc, podniesienie progu klasyfikacji zmniejsza liczbę fałszywych co zwiększa precyzję.

Zapoznaj się z tymi opcjami.

Rozważmy model klasyfikacji, który dzieli e-maile na 2 kategorie: „spam” lub „Nie spam”. Jeśli podniesiesz próg klasyfikacji, nie pamiętasz?

Zawsze zwiększaj.

Podniesienie progu klasyfikacji spowoduje następujące skutki:

• Liczba wyników prawdziwie pozytywnych spada lub bez zmian.
• Liczba wyników fałszywie negatywnych wzrośnie lub bez zmian.

. Dzięki temu czułość nigdy się nie zwiększy.

Zawsze zmniejszaj lub pozostawiaj bez zmian.

Podniesienie progu klasyfikacji spowoduje, że liczba liczby prawdziwie pozytywnych zmniejszają się lub pozostają niezmienione, co powoduje, że liczby wyników fałszywie negatywnych, które zwiększają lub mają pozostać bez zmian. W związku z tym: czułość pozostanie na stałym poziomie albo się zmniejszy.

Nie rozłączaj się.

Podniesienie progu klasyfikacji spowoduje, że liczba liczby prawdziwie pozytywnych zmniejszają się lub pozostają niezmienione, co powoduje, że liczby wyników fałszywie negatywnych, które zwiększają lub mają pozostać bez zmian. W związku z tym: czułość pozostanie na stałym poziomie albo się zmniejszy.

Zapoznaj się z tymi opcjami.

Rozważmy dwa modele – A i B – które oceniają ten sam zbiór danych. Które z tych stwierdzeń jest prawdziwe?

Jeśli model A ma większą precyzję niż model B, model A jest lepszy.

Większa precyzja jest dobra, ale może kosztować znaczne zmniejszenie czułości. Ogólnie rzecz biorąc, zarówno precyzję, jak i czułość, lub wskaźniki podsumowania, takie jak AUC. które omówimy później.

Jeśli model A ma większą czułość niż model B, to model A jest .

Lepsza czułość jest przydatna, ale może pojawić się kosztem znacznego zmniejszenia precyzji. Ogólnie rzecz biorąc, aby wziąć pod uwagę precyzję i czułość łącznie, lub wskaźniki podsumowujące, takich jak AUC, które omówimy dalej.

Jeśli model A ma większą precyzję i lepszą czułość niż model B, wtedy model A jest prawdopodobnie lepszy.

Ogólnie model, który osiąga lepsze wyniki niż inny pod względem precyzja i czułość są prawdopodobnie lepszym modelem. Oczywiście, musimy więc upewnić się, że porównanie przebiega punktu precyzji / czułości, który jest przydatny w praktyce nie ma znaczenia. Na przykład załóżmy, że nasz model wykrywania spamu musi mieć precyzję na poziomie co najmniej 90%, aby była przydatna i pozwalała niepotrzebnych fałszywych alarmów. W tym przypadku porównując jeden model z {20% precyzji, 99% czułości} do innego {15% precyzji, 98% czułości} nie jest szczególnie instruktażem, Żaden z tych modeli nie spełnia wymagania dotyczącego precyzji na poziomie 90%. Z tym zastrzeżeniem pamiętaj, że jest to dobry sposób na porównywanie modeli precyzji i czułości.