| 实际
班级 | 男性 | 42 | 8 |
| 女性 | 18 | 32 |
这意味着分类器在 42 个案例中正确预测了男性,而错误地将 8 个男性案例预测为女性。它正确地将 32 个实例预测为女性。18 例被错误地预测为男性而不是女性。
准确度(错误率)
准确度是一种统计量度,其定义为分类器做出的正确预测的商除以分类器做出的预测的总和。
我们之前示例中的分类器正确预测了 42 个男性实例和 32 个女性实例。
因此,精度可以通过以下方式计算:
准确率 = (42+32)/(42+8+18+32)
这是 0.72
假设我们有一个分类器,它总是预测“女性”。在这种情况下,我们的准确率为 50%。
| 混淆
矩阵 | 预测类别 |
| — | — |
| 男性 | 女性 |
| 实际
班级 | 男性 | 0 | 50 |
| 女性 | 0 | 50 |
我们将证明所谓的准确性悖论。
垃圾邮件识别分类器由以下混淆矩阵描述:
| 混淆
矩阵 | 预测类别 |
| — | — |
| 垃圾邮件 | 火腿 |
| 实际
班级 | 垃圾邮件 | 4 | 1 |
| 火腿 | 4 | 91 |
这个分类器的准确度是 (4 + 91) / 100,即 95%。
以下分类器仅预测“ham”并具有相同的准确性。
| 混淆
矩阵 | 预测类别 |
| — | — |
| 垃圾邮件 | 火腿 |
| 实际
班级 | 垃圾邮件 | 0 | 5 |
| 火腿 | 0 | 95 |
该分类器的准确率为 95%,即使它根本无法识别任何垃圾邮件。
准确率和召回率
| 混淆
矩阵 | 预测类别 |
| — | — |
| 消极的 | 积极的 |
| 实际
最后
不知道你们用的什么环境,我一般都是用的Python3.6环境和pycharm解释器,没有软件,或者没有资料,没人解答问题,都可以免费领取(包括今天的代码),过几天我还会做个视频教程出来,有需要也可以领取~
给大家准备的学习资料包括但不限于:
Python 环境、pycharm编辑器/永久激活/翻译插件
python 零基础视频教程
Python 界面开发实战教程
Python 爬虫实战教程
Python 数据分析实战教程
python 游戏开发实战教程
Python 电子书100本
Python 学习路线规划
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!