正确率高不并不能完全代表一个算法就是好的。比如,对某个区域进行地震预测,地震分类属性为0:不发生地政,1:发生地震。其中不发生地震的概率非常高,对于分类器而言,如果分类器不加思考,对每一个测试样例对类别都划分为0,达到99%的正确率,但是当真正发生地震时,这个分类器毫无察觉。所以99%的正确率的分类器并不是我们想要的。
出现这种现象的原因主要是数据分布不均衡,类别为1的数据太少,错分了类别1但达到了很高但正确率忽略了模型本身最需要关注但情况。
正确率高不并不能完全代表一个算法就是好的。比如,对某个区域进行地震预测,地震分类属性为0:不发生地政,1:发生地震。其中不发生地震的概率非常高,对于分类器而言,如果分类器不加思考,对每一个测试样例对类别都划分为0,达到99%的正确率,但是当真正发生地震时,这个分类器毫无察觉。所以99%的正确率的分类器并不是我们想要的。
出现这种现象的原因主要是数据分布不均衡,类别为1的数据太少,错分了类别1但达到了很高但正确率忽略了模型本身最需要关注但情况。