Was bedeutet erinnern bedeutet maschinelles Lernen?
Ich wissen, dass die Bedeutung erinnern, die in Suchmaschinen, aber was ist die Bedeutung von erinnern, der einen classifier, z.B. bayes-Klassifikatoren? geben Sie bitte ein Beispiel, danke.
beispielsweise die Precision = richtig/richtige+falsche Dokumente für Testdaten. wie zu verstehen, erinnern?
- Ihre "Genauigkeit" ist nicht richtig, die Formel, die Sie gab, beschreibt die Genauigkeit, nicht Präzision.
Du musst angemeldet sein, um einen Kommentar abzugeben.
Erinnern ist buchstäblich , wie viele der wahr positive Ergebnisse wurden erinnerte (gefunden), d.h. wie viele von den Treffern wurden auch gefunden.
Präzision (deine Formel ist falsch) ist , wie viele der zurückgegeben erwischt wurden wahr positive d.h. wieviel von den gefundenen Treffern.
Es ist ziemlich einfach, eigentlich.
Präzision in der ML ist das gleiche wie in Information Retrieval.
(Wobei TP = True Positive, TN = True Negative, FP = False Positive, FN = False Negative).
Macht es Sinn, diese Notationen für binären Klassifizierer, in der Regel das "positive" ist die weniger gebräuchliche Klassifizierung. Beachten Sie, dass die precision/recall-Metrik ist eigentlich die spezifische form, wo # - Klassen=2 für die Allgemeine Verwirrung matrix.
Auch, Ihre Schreibweise von "Genauigkeit" ist tatsächlich Genauigkeit, und ist
(TP+TN)/ALL
Ich fand die Erklärung von Precision und Recall aus der Wikipedia sehr nützlich:
Angenommen, ein computer-Programm für die Anerkennung der Hunde in Fotografien identifiziert 8 Hunde in ein Bild mit 12 Hunde und einige Katzen. Von den 8 Hunden identifiziert, 5 tatsächlich sind die Hunde (true positive), während der rest sind Katzen (false positives). Die Genauigkeit des Programms ist 5/8, während sein Rückruf ist 5/12. Wenn eine Suchmaschine gibt 30 Seiten nur 20 davon waren relevant, während nicht wieder 40 weitere relevante Seiten, seine Präzision ist 20/30 = 2/3, während sein Rückruf 20/60 = 1/3.
So, in diesem Fall, Präzision "wie nützlich sind die Ergebnisse der Suche", und erinnern ist ", wie vollständig die Ergebnisse sind".
In sehr einfacher Sprache: Zum Beispiel, in einer Reihe von Fotos, auf denen Politiker, wie viele Male wurde das Foto von Politiker XY wurde korrekt erkannt wird zeigt, wie A. Merkel und nicht einige andere Politiker?
precision ist das Verhältnis, wie oft ein Mensch erkannt wurde (false positive) : (Richtige Treffer) /(Richtig trifft) + (false positives)
recall ist das Verhältnis, wie viele Male Sie den Namen der person auf den Fotos gezeigt wurde falsch erkannt ('erinnert'): (die Korrekten Aufrufe) /(Korrekten Aufrufe) + (falschen Anrufe)
Diese Begriffe kommen eigentlich aus der signal detection Theorie. Für details, siehe http://en.wikipedia.org/wiki/Receiver_operating_characteristic
Auf der rechten Seite unter "Terminologie und Ableitungen aus einer Verwirrung matrix".