Entendendo de vez a matriz de confusão e acurácia.
1. Beaufsichtigt werden.
Aus einfachen Gründen müssen die von der Maschine gelernten Modelle den Algorithmus kennen, der anschließend von der Arbeitsmaschine angegriffen wird, oder es werden zunächst Informationen und Beobachtungen vor dem Algorithmus eingeholt, um eine Antwort zu bestimmen. Die von der Maschine ausgebildeten Modelle können jedoch als beaufsichtigt, nicht beaufsichtigt, halbbeaufsichtigt und reforziert eingestuft werden.
Der Artikel wird von den Modellen bestimmt, die einer Aufsicht unterworfen sind, aber insbesondere von den Modellen, die der Aufsicht unterworfen sind, und den Klassifizierungsplänen.
Um einen Algorithmus als Aufsichtsperson zu klassifizieren, müssen wir uns auf eine Reihe von Dokumenten konzentrieren, wir müssen auf eine Liste von Personen und eine Spalte warten, um festzustellen, ob ein geduldiger Affected person mit COVID-19 infiziert ist oder nicht.
2. Klassifizierungsziele
Es handelt sich um ein Modell einer ausgebildeten Maschine, das als Klassifizierungsziel einen neuen Brückenpfeiler mit einer durch die beiden Schuljahre realisierten Interpretation anstrebt. Im Allgemeinen sind die Eigenschaften des Datenrads unterschiedlich, es kann sich um eine diskrete oder nominale Variable handeln.
3. Klassifizierungsmetriken
Die Metriken sind ein wichtiger Teil für die Validierung von Metadaten, Projektabläufen, Verkaufszahlen usw. Sie beziehen sich auf ein von der Maschine erstelltes Modell, das sich nicht unterscheidet, da die Metriken auf die Algorithmik basieren und als Prämissen gelten negócio estipuladas.
Meiner Meinung nach sind wir in eine verwirrende Matrix geraten, die ursprünglich für die meisten Klassifizierungsmetriken bestimmt battle, die zur Validierung des Modells und der Genauigkeit verwendet wurden.
4. Matriz de confusão.
Das Ziel einer verwirrenden Matrix stellt die Ergebnisse eines von einer Matrix erfassten Klassifizierungsalgorithmus dar, der Fehler und Modellbescheinigungen auf der Foundation unserer tatsächlichen Ergebnisse in Verbindung mit den Daten demonstriert. Es gibt nur wenige Anzeichen dafür, dass die Matrizen ihre nächsten Vorstellungen aufgeben müssen.
Echte Constructive (TP): Die Anzahl der Daten ist positiv, da der tatsächliche Wert des Datensatzes positiv ist und das Ergebnis des Modells als positiv vorhergesagt wird. Beispielsweise battle ein Mensch aufgrund von COVID-19 positiv getestet.
Wahre Detrimental (TN): Die Anzahl der Daten ist negativ, da der tatsächliche Wert des Datensatzes negativ ist und die Vorhersage des Modells negativ ist. Beispielsweise battle der Affected person nicht mit COVID-19 infiziert und das Testergebnis battle negativ.
Falsch positiv (FP): Die Datenmenge ist negativ, da die tatsächliche Wertschätzung des Datensatzes negativ ist und die Vorhersage des Modellergebnisses positiv ist. Beispielsweise battle der Affected person nicht mit COVID-19 infiziert und das Testergebnis battle positiv.
Falsch negativ (FN): Die Anzahl der Daten ist positiv, da die tatsächliche Wertschätzung des Datensatzes positiv ist und die Vorhersage des Modells negativ ausfällt. Beispielsweise battle ein Affected person aufgrund von COVID-19 ein negatives Testergebnis.
Um es besser zu veranschaulichen, verwenden wir die Funktion make_classification(), um Klassifizierungsdaten mit zwei Klassen zu erstellen, die den Beobachtungen in den Abbildungen 2 und 3 entsprechen.
Figur 3 wurde vor zwei Jahren demonstriert, als das Modell trainiert wurde, wobei ein auf der Entscheidungsfindung basierender Algorithmus zum Einsatz kam, was zu einer verwirrenden Matrix führte, die in Figur 4 demonstriert wurde, Brand abaixo.
In Übereinstimmung mit der Theorie können wir beobachten, wie das Modell trainiert wird, und die Klassifizierungshäufigkeit gemäß den Vorstellungen, die wir vorher gesehen haben, erfüllen. Bestimmen Sie die Klasse 1 als positiv und 0 als negativ, additionally:
Echte Constructive (TP) = 131 Patienten, die als positiv eingestufte COVID-19-Boards haben.
Echte Detrimental (TN) = 116 Patienten, die nicht mit dem als negativ eingestuften COVID-19-Discussion board eingestuft wurden.
Falsch Constructive (FP) = 33 Patienten, die nicht mit dem COVID-19-Discussion board in Zusammenhang standen, wurden als positiv eingestuft.
Falsch Detrimental (FN) = 20 Patienten, die aufgrund des als negativ eingestuften COVID-19-Boards fälschlicherweise eingestuft wurden.
Die Bedeutung dieser Überlegungen besteht darin, dass die meisten von ihnen abgeleiteten Zahlen zu einer Verwirrung in der Matrix führen.
- Genauigkeit
- Präzision
- Abrufen
- F1-Ergebnis
5. Acurácia
Die Messlatte stellt die Gesamtheit der realisierten Prüfungen dar oder die Gesamtheit der Daten, die nicht in Verbindung mit den Daten verfügbar sind, gemäß Abbildung 5.
Die Ersetzung führt zu einer verwirrenden Matrix in Abbildung 6.
Die Ergebnisse ergaben eine Genauigkeit von etwa 82,3 %, wie bei den Ergebnissen von 7.
Im Gegenzug, eine genaue Angabe über die Anzahl der Daten, die das klassifizierte Modell mit sich brachte, betrug in diesem Fall 82,3 %. Aus diesem Grund müssen wir die Sozinha nicht wie eine Metrik verwenden, um die Leistung des Algorithmus zu verbessern.
Darüber hinaus muss bestätigt werden, dass für die Validierung des Modells andere Messwerte verwendet werden müssen, und dass eine Particular person eine Klasse mit mehr Datenmengen bevorzugt, oder dass sie keine Leistung erbringt, um das Gleichgewicht zu verlieren.
Für die Überprüfung zusätzlicher Messwerte müssen wir diese zur Validierung der Klassifizierungsmodelle und zur Begleitung benachbarter Objekte verwenden.
