فراتر از درستی
چرا مهم است در آزمون یک بیماری نادر که 95% افراد در آن سالماند، مدلی که همیشه میگوید «سالم» 95% درستی میگیرد و بیفایده است.
یک ماتریس درهمریختگی برای هر کلاس واقعی میشمارد هر کلاس چند بار پیشبینی شده: ردیف = حقیقت، ستون = پیشبینی. از روی آن، برای یک کلاس که برایتان مهم است:
- دقت (precision): از دفعاتی که مدل گفت «مثبت»، چند بار درست بود؟
- بازیابی (recall): از مثبتهای واقعی، مدل چند تا را پیدا کرد؟
اعداد کوچک
100 نفر، 5 بیمار. مدل تنبل برای همه میگوید سالم: درستی 95%، بازیابی 0 از 5 = 0. یک مدل واقعی 8 نفر را علامت میزند که 4 تایشان بیمارند: دقت 4/8 = 0.5، بازیابی 4/5 = 0.8، و درستی (4 + 91) / 100 = 95%. درستی یکسان، سودمندی کاملاً متفاوت.
واژهها و نمادهای این درس
- ماتریس درهمریختگی
- شمارش کلاس واقعی (ردیف) در برابر کلاس پیشبینیشده (ستون)
- دقت (precision)، بازیابی (recall)
- از آنچه علامت زد، چه مقدار درست بود؛ از آنچه بود، چه مقدار را پیدا کرد
confusion(y_true, y_pred, k) (یک آرایهٔ k در k از شمارشها) و precision_recall(y_true, y_pred, positive) را بنویسید که یک جفت برمیگرداند (وقتی چیزی برای تقسیم نیست از 0.0 استفاده کنید).
مشکلی در این درس دیدید؟ گزارشش کنید · دربارهٔ این درس بپرسید
این تمرین بهزودی باز میشود
درس پیش از آن را تمام کنید تا این یکی باز شود. کل دوره رایگان است، حساب کاربری لازم نیست، و میتوانید همین الان این درس را بخوانید.
این مرورگر کوکیهای learn.floati.life را مسدود میکند، پس درسهایی که اینجا تمام کردید نمیتوانند به ترتیب باز شوند. کوکیها را برای این سایت مجاز کنید و صفحه را دوباره بارگذاری کنید.