這個模組顯示如何將邏輯迴歸用於分類工作，並探索如何評估分類模型的效果。
分類
分類與迴歸
- 有時候，我們會為機率輸出使用邏輯迴歸，也就是 (0, 1) 中的迴歸
- 在其他時候，我們會分離二元分類的值
- 選擇閾值是重要的選擇，您可以進行調整
評估指標：準確率
- Google 如何評估分類模型？
評估指標：準確率
- Google 如何評估分類模型？
- 可能的其中一種情況：準確率
- 預測的預測結果比例
準確度可能會誤導使用者
- 在多數情況下，準確率偏低或具誤導性的指標
- 最常見的錯誤是各種錯誤的費用不同
- 一般情況包括類別不平衡 (極正面或負面的情況極少發生)
真陽性與偽陽性
- 針對不平衡的類別問題，有助於區分不同類型的錯誤
|
真陽性 我們正確稱呼「狼」！ 我們拯救了城鎮。 |
偽陽性 錯誤：我們稱之為「狼」。 我們全心投入。 |
|
偽陰性 有一顆狼，但我們沒有找到它。吃掉所有雞肉！ |
真陰性 沒有狼，沒有鬧鐘。 沒關係。 |
評估指標：精確度與喚回度
- 精確度： (真陽性) / (所有正面預測)
- 模型顯示「正面」類別時，對嗎？
- 直覺：模型是否過於常「哭泣」？
評估指標：精確度與喚回度
- 精確度： (真陽性) / (所有正面預測)
- 模型顯示「正面」類別時，對嗎？
- 直覺：模型是否過於常「哭泣」？
- 喚回度：(真實陽性) / (所有實際正面)
- 在所有可能的正值中，有多少模式可以正確辨識？
- 直覺：錯過任何狼嗎？
完成後，按下播放鍵 ▶ 即可繼續
請查看下列選項。
考慮使用分類模型，將電子郵件分為以下兩個類別：「垃圾郵件」或「非垃圾郵件」。如果提高分類門檻，精確度會受到什麼影響？
絕對增加。
提高分類門檻通常可提升精確度；不過，提高門檻時，並不保證會遞增。
有可能增加。
一般來說，提高分類門檻會減少偽陽性，導致精確度提高。
有可能減少。
一般來說，提高分類門檻會減少偽陽性，導致精確度提高。
絕對減少。
一般來說，提高分類門檻會減少偽陽性，導致精確度提高。
ROC 曲線
每個資料點都是以一個決定門檻的 TP 和 FP 費率。
評估指標：AUC
- AUC：「ROC 曲線下的區域」
評估指標：AUC
- AUC：「ROC 曲線下的區域」
- 解釋：
- 如果您選取隨機隨機和隨機負號，我的模型以正確順序排名的機率為何？
評估指標：AUC
- AUC：「ROC 曲線下的區域」
- 解釋：
- 如果您選取隨機隨機和隨機負號，我的模型以正確順序排名的機率為何？
- 直覺：匯總所有可能的分類門檻匯總效能
預測偏誤
- 邏輯迴歸預測結果不可偏誤。
- 預測平均值 == 平均值
預測偏誤
- 邏輯迴歸預測結果不可偏誤。
- 預測平均值 == 平均值
- 偏誤是初期測試階段。
- 無偏誤並不代表系統中的所有設定完成，
- 但這只是比較好的完整性檢查
預測偏誤 (續)
- 如果您設有偏誤，就會遇到問題。
- 功能組合不完整？
- 錯誤管道？
- 偏誤訓練範例？
- 請勿修正校正層的偏誤，而是修正模型。
- 請留意資料區塊的偏誤，這可能有助於改善服務品質。
校正區塊顯示偏誤
