Klasyfikacja: prawda/fałsz i pozytywna/negatywna

W tej sekcji zdefiniujemy główne elementy składowe danych, które wykorzystamy do oceny modeli klasyfikacji. Ale najpierw:

Powieść Aesop: chłopiec, który wykrzyknął wilka (skompresowany)

Olbrzywy chłopiec znudzi się stadem miasta. Aby się bawić, krzyczy: „Wiolu!&quot nawet, gdy nie widać tutaj żadnego wilka. Mieszkańcy wioski biegają, aby chronić stado, ale potem wściekają się, gdy zorientują się, że chłopcy żartują.

[Powtórzenie poprzedniego akapitu N razy]

Pewnej nocy sam chłopiec wkleja stado na zewnątrz i wywołuje morzu: „Wilczy!” Mieszkańcy wsi odmawiają się po raz kolejny, aby zostać oszukani i zostać w swoich domach. Wygłodzony wilk zmienia stada kociołków w kotlety jagnięciny. Miasto głoduje. Napady paniki.

Utwórz takie definicje:

  • "Wolf" to klasa pozytywnego wyniku.
  • "Żaden wilk nie jest klasą negatywną.

Nasz model & prognozowania wilków można podsumować za pomocą tabeli pomyłek 2 x 2, która przedstawia wszystkie 4 możliwe efekty:

True dodatnie (TP):
  • Reality show: zagrożony wilk.
  • Shepher powiedział: "Wolf."
  • Wynik: Sheerer jest bohaterem.
 Fałszywy dodatni:
  • Reality show: nie ma wilków zagrożonych.
  • Shepher powiedział: "Wolf."
  • Wynik: Mieszkańcy wsi są zdenerwowani do pasty.
Fałszywy wynik FN:
  • Reality show: zagrożony wilk.
  • Shepher powiedział: "brak wilka."
  • Wynik: wilk zjadł wszystkie owce.
 Prawidłowe wykluczenie (TN):
  • Reality show: nie ma wilków zagrożonych.
  • Shepher powiedział: "brak wilka."
  • Wynik: Wszystko OK.

prawda: to wynik, w którym model prawidłowoprzewiduje klasę dodatnią. Analogicznie rzeczywista wartość ujemna to wynik, w którym model prawidłowo prognozuje klasę ujemną.

Fałszywy wynik to wynik, który model nieprawidłowo prognozuje klasę pozytywną. Fałsz oznacza, że model nieprawidłowo prognozuje klasę ujemną.

W kolejnych sekcjach przyjrzymy się sposób oceny modeli klasyfikacji na podstawie danych pochodzących z tych 4 wyników.

Wstecz
Progowanie
Dalej
Dokładność