第 9 模块:它真的更好吗?
超越准确率
你以前学过这门课程吗?
这样我们只统计你一次。只会发送你的答案,以及你的匿名进度。
为什么重要 在一项 95% 的人都健康的罕见病测试中,一个总是说“健康”的模型能得到 95% 的准确率,而它毫无用处。
一个混淆矩阵会统计,对于每一个真实类别,每一个类别被预测了多少次:行 = 真实,列 = 预测。从它出发,对于你关心的某一个类别:
- 精确率:在模型说“阳性”的那些时候,它有多常是对的?
- 召回率:在真正的阳性中,模型找到了多少?
很小的数字
100 个人,5 个人生病。偷懒的模型对所有人都说健康:准确率 95%,召回率 5 个中 0 个 = 0。一个真正的模型标记了 8 个人,其中 4 个生病:精确率 4/8 = 0.5,召回率 4/5 = 0.8,而准确率 (4 + 91) / 100 = 95%。同样的准确率,完全不同的有用程度。
本课中的词语和符号
- 混淆矩阵
- 真实类别(行)对比预测类别(列)的计数
- 精确率、召回率
- 在它标记的东西中,有多少是对的;在实际存在的东西中,它找到了多少
轮到你了
编写 confusion(y_true, y_pred, k)(一个 k × k 的计数数组)和 precision_recall(y_true, y_pred, positive),后者返回一对值(当没有东西可以去除时,使用 0.0)。
本课已完成。干得好。
这个练习即将开放
完成它前面的那一课,这一课就会解锁。整门课程免费,无需账号,而且你现在就可以阅读这节课。
这个浏览器屏蔽了 learn.floati.life 的 Cookie,所以你在这里完成的课程无法按顺序打开。请允许这个网站使用 Cookie,然后重新加载。