機械学習の最近のレビューでは、ちょうど私のノートを収集するために、私はブログの多くが不均一にしている見て、ここで私はブログの多くを参照して、自分のアイデアを追加するこれらの小さな知識のポイントを整理しました。私はより完全なと思うと、大きなブログのリンクを添付して、ヘルプ。
私は単純に櫛を(あなたは、下記の注意事項怠惰な言葉を表示したくない場合)になります。
私はそれを参照したくないものを定義し、オンラインにたくさんあります。
それらと最善の方法を区別することを忘れないでください(議論する何のために、である)、その意味を理解することです。
- 精度(精度)と誤り率(エラーレート):モデルのすべてから、議論する 全体的なポイント サンプルセットの全体的な性質である彼ら分母ので、出発。
- 精度(精度):に直接入金 精度 より直感的。するためには 、結果を予測する 、という点で、それ分母は、すべてのサンプルの正の数を予測することですので。
- リコール(リコール):に直接入金リコールより直感的。するために元の試料の用語は、元のサンプルの分母は、サンプルの正の数です。
また、理解することが一般的な、精度と再現率を同時に向上させることができない理由、それは実際には非常に簡単です。
諺に通り、あなたはあまり話を話すことはできません。
- いう話をしない(予測誤差である)間違っています。
- それ以上のミス以来、私は私の高い冷たい態度をしておこう、あまり話は(このプロセスは、モデルが正の例は、実際の正の一例であり、予測することを保証するために、しきい値を高めることです)。
- だから、私は基本的に正しいと言うが、私の言葉は少ないです。(少数の場合は、いくつかの単語につながることは右だったかもしれないが、言うことができません)
このプロセスは、することですリコールと精度に至る過程が低下改善、あなたも与えること回すことができるでリコール精密につながっ減少プロセスを改善します。
ここでは兄のブログのおかげで、非常に非常に価値のある、詳細な。
リンク: https://blog.csdn.net/program_developer/article/details/79937291