Изучите варианты ниже.
Рассмотрим модель классификации, которая делит электронную почту на две категории: «спам» и «не спам». Если вы повысите порог классификации, что произойдет с точностью?
Однозначно увеличить.
Повышение порога классификации обычно повышает точность; однако не гарантируется монотонное увеличение точности при повышении порога.
Вероятно, увеличится.
В целом, повышение порога классификации снижает количество ложных срабатываний, тем самым повышая точность.
Вероятно, уменьшится.
В целом, повышение порога классификации снижает количество ложных срабатываний, тем самым повышая точность.
Однозначно уменьшится.
В целом, повышение порога классификации снижает количество ложных срабатываний, тем самым повышая точность.
Изучите варианты ниже.
Рассмотрим модель классификации, которая делит электронную почту на две категории: «спам» и «не спам». Если поднять порог классификации, что будет с отзывом?
Всегда увеличивайте.
Повышение порога классификации приведет к следующим последствиям:
- Количество истинных положительных результатов уменьшится или останется прежним.
- Количество ложноотрицательных результатов увеличится или останется прежним.
Всегда уменьшайте или оставайтесь прежним.
Повышение порога классификации приведет к тому, что количество истинных положительных результатов уменьшится или останется прежним, а количество ложноотрицательных результатов увеличится или останется прежним. Таким образом, отзыв либо останется постоянным, либо уменьшится.
Всегда оставайтесь постоянными.
Повышение порога классификации приведет к тому, что количество истинных положительных результатов уменьшится или останется прежним, а количество ложноотрицательных результатов увеличится или останется прежним. Таким образом, отзыв либо останется постоянным, либо уменьшится.
Изучите варианты ниже.
Рассмотрим две модели — A и B, каждая из которых оценивает один и тот же набор данных. Какое из следующих утверждений верно?
Если модель A имеет более высокую точность, чем модель B, то модель A лучше.
Хотя более высокая точность — это хорошо, она может быть достигнута за счет значительного сокращения полноты информации. В общем, нам нужно рассматривать точность и полноту вместе или сводные показатели, такие как AUC, о которых мы поговорим дальше.
Если модель А запоминается лучше, чем модель Б, то модель А лучше.
Хотя улучшение отзыва — это хорошо, оно может достигаться за счет значительного снижения точности. В общем, нам нужно рассматривать точность и полноту вместе или суммарные показатели, такие как AUC, о которых мы поговорим дальше.
Если модель A имеет более высокую точность и лучшую запоминаемость, чем модель B, то модель A, вероятно, лучше.
В общем, модель, которая превосходит другую модель как по точности, так и по полноте, вероятно, является лучшей моделью. Очевидно, нам нужно убедиться, что сравнение выполняется в точке точности/отзыва, которая полезна на практике, чтобы это имело смысл. Например, предположим, что наша модель обнаружения спама должна иметь точность не менее 90 %, чтобы быть полезной и избегать ненужных ложных срабатываний. В этом случае сравнение одной модели с {точностью 20 %, полнотой 99 %} с другой с точностью {15 %, полнотой 98 %} не особенно информативно, поскольку ни одна из моделей не соответствует требованию точности 90 %. Но учитывая это предостережение, это хороший способ подумать о сравнении моделей при использовании точности и полноты.