Über die Genauigkeit hinaus
Warum das wichtig ist Bei einem Test für eine seltene Krankheit, bei dem 95% der Menschen gesund sind, erzielt ein Modell, das immer "gesund" sagt, eine Genauigkeit von 95% und ist nutzlos.
A confusion matrix zählt für jede wahre Klasse, wie oft jede Klasse vorhergesagt wurde: Zeile = Wahrheit, Spalte = Vorhersage. Daraus ergibt sich für eine Klasse, die dich interessiert:
- Präzision: Wie oft hatte das Modell recht, wenn es "positiv" sagte?
- Recall: Von den echten Positiven, wie viele hat das Modell gefunden?
Kleine Zahlen
100 Personen, 5 krank. Das faule Modell sagt für alle gesund: accuracy 95%, recall 0 von 5 = 0. Ein echtes Modell markiert 8 Personen, 4 davon krank: precision 4/8 = 0.5, recall 4/5 = 0.8, und accuracy (4 + 91) / 100 = 95%. Gleiche accuracy, völlig andere Nützlichkeit.
Wörter und Symbole in dieser Lektion
- confusion matrix
- Anzahl der wahren Klasse (Zeile) gegenüber der vorhergesagten Klasse (Spalte)
- Präzision, Recall
- von dem, was es markiert hat, wie viel richtig war; von dem, was da war, wie viel es gefunden hat
Schreibe confusion(y_true, y_pred, k) (ein k mal k Array von Zählen) und precision_recall(y_true, y_pred, positive) und gib ein Paar zurück (verwende 0.0 wenn nichts zum Teilen da ist).
Ein Problem in dieser Lektion entdeckt? Melde es · Frage zu dieser Lektion
Diese Übung öffnet bald
Beende die vorherige Lektion, damit diese freigeschaltet wird. Der ganze Kurs ist kostenlos, kein Konto erforderlich, und du kannst diese Lektion jetzt direkt lesen.
Dieser Browser blockiert Cookies für learn.floati.life, daher können hier beendigte Lektionen nicht in der richtigen Reihenfolge geöffnet werden. Erlaube Cookies für diese Seite und lade sie neu.