2024年Python最全机器学习术语

| 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。

需要这份系统化学习资料的朋友，可以戳这里无偿获取

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！