สำรวจตัวเลือกด้านล่าง
ลองใช้รูปแบบการจัดประเภทที่แบ่งอีเมลออกเป็น 2 หมวดหมู่ ดังนี้
"สแปม" หรือ "ไม่ใช่สแปม" หากคุณเพิ่มเกณฑ์การจัดประเภท
ความถูกต้องแม่นยำ
เพิ่มขึ้นอย่างแน่นอน
โดยทั่วไปการเพิ่มเกณฑ์การจัดประเภทจะเพิ่มความแม่นยำ
แต่ไม่รับประกันว่าความแม่นยําจะเพิ่มขึ้น
เมื่อเราเพิ่มเกณฑ์
อาจจะเพิ่มขึ้น
โดยทั่วไป การเพิ่มเกณฑ์การจัดประเภทจะลดความเท็จ
ทำให้แม่นยำมากขึ้น
น่าจะลดลง
โดยทั่วไป การเพิ่มเกณฑ์การจัดประเภทจะลดความเท็จ
ทำให้แม่นยำมากขึ้น
ลดลงอย่างแน่นอน
โดยทั่วไป การเพิ่มเกณฑ์การจัดประเภทจะลดความเท็จ
ทำให้แม่นยำมากขึ้น
สำรวจตัวเลือกด้านล่าง
ลองใช้รูปแบบการจัดประเภทที่แบ่งอีเมลออกเป็น 2 หมวดหมู่ ดังนี้
"สแปม" หรือ "ไม่ใช่สแปม" หากคุณเพิ่มเกณฑ์การจัดประเภท
จำได้หรือเปล่า
เพิ่มขึ้นเสมอ
การเพิ่มเกณฑ์การจัดประเภทจะทำให้เกิดผลทั้ง 2 อย่างต่อไปนี้
- จำนวนผลบวกจริงจะลดลงหรือ เหมือนเดิม
- จำนวนผลลบลวงจะเพิ่มขึ้นหรือ เหมือนเดิม
ลดลงหรือเท่าเดิมเสมอ
การเพิ่มเกณฑ์การจัดประเภทจะทำให้จำนวน
ผลบวกจริงจะลดลงหรือคงเดิม และจะทำให้
จำนวนผลลบลวงเพื่อเพิ่มหรือเท่าเดิม ดังนั้น
จะคงที่หรือลดลงก็ได้
มีความสม่ำเสมอเสมอ
การเพิ่มเกณฑ์การจัดประเภทจะทำให้จำนวน
ผลบวกจริงจะลดลงหรือคงเดิม และจะทำให้
จำนวนผลลบลวงเพื่อเพิ่มหรือเท่าเดิม ดังนั้น
จะคงที่หรือลดลงก็ได้
สำรวจตัวเลือกด้านล่าง
ลองพิจารณาโมเดล 2 รูปแบบ คือ A และ B ซึ่งแต่ละโมเดลจะประเมินชุดข้อมูลเดียวกัน
ข้อความใดต่อไปนี้เป็นจริง
ถ้ารูปแบบ A มีความแม่นยำมากกว่าโมเดล B
รูปแบบ A ดีกว่า
แม้ว่าความแม่นยำที่ดีกว่าจะเป็นเรื่องที่ดี แต่ก็อาจทำให้คุณสูญเสียรายได้
การจดจำที่ลดลงอย่างมาก โดยทั่วไปแล้ว เราจะต้องพิจารณา
ทั้งความแม่นยำและการจดจำร่วมกัน หรือเมตริกสรุป เช่น AUC
ซึ่งเราจะพูดถึงต่อไป
ถ้ารูปแบบ A มีการเรียกคืนได้ดีกว่ารูปแบบ B โมเดล A จะเป็น
ได้ดียิ่งขึ้น
แม้ว่าการจำได้ดีขึ้นเป็นสิ่งที่ดี แต่อาจเกิดขึ้นที่
ช่วยลดความแม่นยำได้มาก โดยทั่วไป เราจะต้อง
เพื่อดูทั้งความแม่นยำและความอ่อนไหวร่วมกัน
หรือเมตริกสรุป
เช่น AUC ซึ่งเราจะพูดถึงถัดไป
หากรูปแบบ A มีความแม่นยำและการจดจำดีกว่ารูปแบบ B
แบบ A น่าจะดีกว่า
โดยทั่วไปแล้ว โมเดลที่มีประสิทธิภาพสูงกว่าโมเดลอื่นในทั้ง 2 โมเดล
ความแม่นยำและการจดจำมีแนวโน้มที่จะเป็นโมเดลที่ดีกว่า แน่นอนว่า
เราจะต้องตรวจสอบว่ามีการเปรียบเทียบ
ความแม่นยำ / จุดจดจำที่เป็นประโยชน์ในเชิงปฏิบัติสำหรับเรื่องนี้
ให้มีความหมาย ตัวอย่างเช่น สมมติว่าโมเดลการตรวจจับสแปมของเรา
ต้องมีความแม่นยำอย่างน้อย 90% จึงจะมีประโยชน์และหลีกเลี่ยง
การปลุกที่ผิดพลาดโดยไม่จำเป็น ในกรณีนี้ เราจะเปรียบเทียบว่า
โมเดลหนึ่งที่ {ความแม่นยำ 20%, การเรียกคืน 99%} กับอีกโมเดลหนึ่งที่
{ความแม่นยำ 15%, การเรียกคืน 98%} ไม่เป็นประโยชน์นัก เนื่องจาก
ทั้ง 2 รุ่นไม่ตรงตามข้อกำหนดด้านความแม่นยำ 90% แต่ด้วยคำเตือนนี้
แต่นี่เป็นวิธีที่ดีในการเปรียบเทียบรูปแบบต่างๆ เมื่อใช้
ความแม่นยำและการจดจำ