R语言自用

最新推荐文章于 2023-04-02 23:46:00 发布

qq_41374901

最新推荐文章于 2023-04-02 23:46:00 发布

阅读量190

点赞数 1

文章标签：深度学习机器学习

本文链接：https://blog.csdn.net/qq_41374901/article/details/129267124

版权

该文讨论了一种二元分类模型在垃圾邮件检测中的性能。模型的准确度为0.8196，Kappa系数为0.6019，显示出较好的分类效果。灵敏度和特异度分别为0.6250和0.9462，表明模型在识别正负样本方面有平衡表现。此外，模型在预测垃圾邮件方面的真正例比例较高，但存在一定的假阳性率。

摘要由CSDN通过智能技术生成

Confusion Matrix and Statistics

Reference
Prediction 0 1 #预测结果
0 791 204
1 45 340

Accuracy : 0.8196 #准确度
95% CI : (0.7982, 0.8395) #95%置信区间
No Information Rate : 0.6058 #所有样本都预测为占比最大的类别的准确率
P-Value [Acc > NIR] : < 2.2e-16 #准确率是否比没有信息率显著高的p值

Kappa : 0.6019 #Kappa系数，用于度量分类器的准确度

Mcnemar's Test P-Value : < 2.2e-16 #评估二元分类模型的性能是否显著不同于随机猜测的结果

Sensitivity : 0.6250 #灵敏度，指分类器对正样本的识别能力
Specificity : 0.9462 #特异度，指分类器对负样本的识别能力
Pos Pred Value : 0.8831 #所有预测为垃圾邮件的邮件中，实际上是垃圾邮件的比例
Neg Pred Value : 0.7950 #所有预测为非垃圾邮件的邮件中，实际上不是垃圾邮件的比例
Prevalence : 0.3942 #实际上是垃圾邮件的样本在总样本中的比例
Detection Rate : 0.2464 #所有实际上是垃圾邮件的邮件中，被成功预测为垃圾邮件的比例
Detection Prevalence : 0.2790 #所有预测为垃圾邮件的邮件中，实际上是垃圾邮件的比例
Balanced Accuracy : 0.7856 #模型在两种类别之间平均的分类准确率

'Positive' Class : 1 #将“垃圾邮件”定义为正类