Kaj je natančnost in priklic pri rudarjenju podatkov?
Kaj je natančnost in priklic pri rudarjenju podatkov?

Video: Kaj je natančnost in priklic pri rudarjenju podatkov?

Video: Kaj je natančnost in priklic pri rudarjenju podatkov?
Video: Never Forget Again! // Precision vs Recall with a Clear Example of Precision and Recall 2024, April
Anonim

Medtem natančnost se nanaša na odstotek vaših rezultatov, ki so ustrezni, odpoklic se nanaša na odstotek skupnih ustreznih rezultatov, ki jih je vaš algoritem pravilno razvrstil. Za druge težave je potreben kompromis in sprejeti je odločitev, ali naj se poveča natančnost , oz odpoklic.

Poleg tega, kaj je natančnost in priklic s primerom?

Primer od Natančnost - Odpoklic metrika za ocenjevanje kakovosti izhoda klasifikatorja. Natančnost - Odpoklic je uporabno merilo uspešnosti napovedi, ko so razredi zelo neuravnoteženi. Pri iskanju informacij, natančnost je merilo ustreznosti rezultatov, medtem ko odpoklic je merilo, koliko resnično ustreznih rezultatov je vrnjenih.

Poleg zgoraj navedenega, kako izračunate natančnost in priklic pri rudarjenju podatkov? Na primer, popoln rezultat natančnosti in priklica bi povzročil popoln rezultat F-Measure:

  1. F-mer = (2 * natančnost * odpoklic) / (natančnost + odpoklic)
  2. F-mer = (2 * 1,0 * 1,0) / (1,0 + 1,0)
  3. F-mer = (2 * 1,0) / 2,0.
  4. F-mer = 1,0.

Prav tako morate vedeti, kaj je natančnost pri rudarjenju podatkov?

Pri prepoznavanju vzorcev, pridobivanju informacij in razvrstitev (strojno učenje), natančnost (imenovana tudi pozitivna napovedna vrednost) je delež ustreznih primerov med pridobljenimi primeri, medtem ko je priklic (znan tudi kot občutljivost) delež celotne količine ustreznih primerov, ki so bili

Zakaj uporabljamo natančnost in priklic?

Natančnost je opredeljeno kot število resničnih pozitivnih rezultatov, deljeno s številom resničnih pozitivnih rezultatov in številom lažno pozitivnih. Medtem odpoklic izraža zmožnost iskanja vseh ustreznih primerov v nizu podatkov, natančnost izraža delež podatkovnih točk, za katere naš model pravi, da so bile pomembne, dejansko so bile ustrezne.

Priporočena: