Nehmen wir Daten von einem realen Drawback, damit wir dieses Bild etwas besser verstehen und versuchen können, es zu interpretieren. Wenn wir beispielsweise 165 E-Mails haben, sind einige davon Spam (Ja) und andere kein Spam (Nein). Lassen Sie uns darüber nachdenken und diese Tabelle interpretieren.
Die Anzahl der E-Mails, die insgesamt tatsächlich Spam sind (Nein), beträgt 105. Die Anzahl der E-Mails, die tatsächlich insgesamt kein Spam sind (Nein), beträgt 60.
TN = 50 Diese E-Mails wurden tatsächlich als „Kein Spam (Nein)“ vorhergesagt und unser Modell hat sie als „Kein Spam (Nein)“ vorhergesagt.
TP = 100 Diese E-Mails haben tatsächlich Spam vorhergesagt (Nein) und unser Modell hat Spam vorhergesagt (Ja).
FN = 5, diese E-Mails sind tatsächlich Spam (Ja) und unser Modell hat sie als Kein Spam (Nein) vorhergesagt.
FP = 10, diese E-Mails sind tatsächlich kein Spam (Nein) und unser Modell hat Spam vorhergesagt (Ja).
Zum Schluss schreiben wir die numerischen Werte an Ort und Stelle.
Genauigkeit: (50+ 100)/ (50+5+10+100) = 0,909, unser Modell hat additionally eine Genauigkeitsrate von 90 %.
Präzision: (100)/(10+100) = 0,909
Abrufen: 100/ (100+5) = 0,9523
F1-Ergebnis: 2*( 0,909* 0,9523)/( 0,909+0,9523) = 0,93019
Fehler vom Typ I (falsch positiv): Wenn wir vom Beispiel ausgehen und es interpretieren. Unser Modell sagte bei der eingehenden E-Mail Spam (Ja), aber es handelt sich nicht wirklich um Spam (kein Spam), wir nennen es Fehler vom Typ 1.
Fehler vom Typ II (falsch negativ): Unser Modell besagt, dass die eingehende E-Mail kein Spam ist (kein Spam), aber die tatsächlich eingehende E-Mail ist Spam (Ja). Wir nennen diesen Fehler Typ-2-Fehler. Diese Artwork von Fehler ist wichtig. Es kann Schaden anrichten. Weil uns eine betrügerische Handlung nicht auffällt. Dies lässt sich anhand eines Beispiels besser verstehen. Zum Beispiel die Unfähigkeit, einen bösartigen Tumor bei einem Menschen zu erkennen. Dieser Zustand der Unentdecktheit kann das Leben eines Menschen kosten.
