Метки: Визуальный редактор apiedit |
Метки: Визуальный редактор apiedit |
||
Строка 28: | Строка 28: | ||
<math>Recall(a) = \frac{TP}{TP+FN}</math>. |
<math>Recall(a) = \frac{TP}{TP+FN}</math>. |
||
− | Полнота показывает какую долю объектов, '''реально''' относящихся к положительному классу, мы предсказали верно. |
+ | Полнота показывает, какую долю объектов, '''реально''' относящихся к положительному классу, мы предсказали верно. |
На примере: полнота — это сколько из сумасшедших людей, которых мы проверили, мы посадили в психушку. |
На примере: полнота — это сколько из сумасшедших людей, которых мы проверили, мы посадили в психушку. |
||
Строка 43: | Строка 43: | ||
<math>Fmeasure_{\beta} = \frac {(1 + \beta^2) Precision \cdot Recall}{\beta^2 Precision + Recall}</math>. |
<math>Fmeasure_{\beta} = \frac {(1 + \beta^2) Precision \cdot Recall}{\beta^2 Precision + Recall}</math>. |
||
− | Где <math>\beta \in [0, \infty)</math>, при <math>\beta = 0</math> получаем точность, при <math>\beta = 1</math> непараметрическую F-меру, при <math>\beta = \infty</math> полноту. |
+ | Где <math>\beta \in [0, \infty)</math>, при <math>\beta = 0</math> получаем точность, при <math>\beta = 1</math> — непараметрическую F-меру, при <math>\beta = \infty</math> — полноту. |
== Кросс-энтропия == |
== Кросс-энтропия == |
Версия от 00:19, 13 января 2017
Это незавершённая статья Автор, вероятно, переобучился и отправился спать. Вы можете помочь, экстраполировав местную информацию. |
Везде ниже — элемент выборки, — метка класса, — классификатор.
Также — значения матрицы ошибок бинарной классификации.
Доля правильно классифицированных объектов (accuracy)
Accuracy — самая простая оценка классификации:
.
по сути это вероятность того, что класс будет предсказан правильно.
Например, если мы ловим сумасшедших, accuracy показывает долю правильных диагнозов.
- Работает для многоклассовой классификации.
- Плохо работает при высокой априорной вероятности у одного из классов. В таком случае константное предсказание может давать высокое значение accuracy (равное этой априорной вероятности).
Точность (Precision)
.
Точность показывает какую долю объектов, распознанных как объекты положительного класса, мы предсказали верно.
На примере: точность — это сколько из пойманных нами и посаженных в психушку людей реально сумасшедшие.
- Только бинарная классификация
- Не зависит от априорной вероятности положительного класса.
Полнота (Recall)
.
Полнота показывает, какую долю объектов, реально относящихся к положительному классу, мы предсказали верно.
На примере: полнота — это сколько из сумасшедших людей, которых мы проверили, мы посадили в психушку.
- Только бинарная классификация
- Не зависит от априорной вероятности положительного класса.
F-мера
Точность и полнота хорошо оценивают качество классификатора для задач со смещенной априорной вероятностью, но если мы обучили модель с высокой точностью, то может случиться так, что полнота у такого классификатора низкая и наоборот. Чтобы связать точность с полнотой вводят F-меру как среднее гармоническое точности и полноты:
В некоторых задачах одна метрика важнее другой (например при выдаче поисковых запросов полнота важнее точности, неинтересные страницы мы можем сами пропустить, а вот если поисковик пропустит несколько страниц то мы можем остаться без каких то важных деталей). Для установления важности конкретной метрики мы рассматриваем параметрическую F-меру:
.
Где , при получаем точность, при — непараметрическую F-меру, при — полноту.
Кросс-энтропия
это доп фича, так что пока мне лень ее расписывать.
Оценивание качества предсказания вероятностей
добавить инфы с 10-го слайда лекций Китова
Для классификатора оценивающего вероятность принадлежности объекта к классу вводятся следующие оценки качества предсказания:
Правдоподобие (propability likelyhood):
Brier score:
AUC-ROC также оценивает качество предсказания вероятности.