网课笔记1
一、概念
- 分类问题是有监督学习的一个核心问题。分类解决的是要预测样本属于哪个或者哪些预定义的类别。此时输出变量通常取有限个离散值。
- 分类的机器学习的两大阶段:(1)从训练数据中学习得到一个分类决策函数或分类模型,称为分类器(classifier)(2)利用学习得到的分类器对新的输入样本进行类别预测。
二、分类性能度量
正 | 负 | 总计 | |
---|---|---|---|
正 | TP | FN | P(实际为正) |
负 | FP | TN | N(实际为负) |
-
表中AB模式:第二个符号表示预测的类别,第一个表示预测结果对了(True)还是错了(False)
-
假设只有两类样本,即正例(positive)和负例(negative).通常以关注的类为正类,其他类为负类
分类准确类(accuracy): 分类器正确分类的样本数与总样本数之比:
accuracy = (TP+TN) / (P+N)
精确率(precision): 反映了模型判定的正例中真正正例的比重。在垃圾短信分类器中,是指预测出的垃圾短信中真正垃圾短信的比例
precision = TP / (TP + FP