一、说明
数据科学家选择目标变量后 - 例如他们希望预测电子表格中的“列”，并完成了转换数据和构建模型的先决条件，最后步骤之一是评估模型的性能。
二、混淆矩阵的模型
2.1 混淆矩阵
选择性能指标通常取决于要解决的业务问题。假设您的数据集中有 100 个示例，并且您已将每个示例输入模型并收到分类。预测与实际分类可以在称为混淆矩阵的表中绘制。0
| Negative (predicted) | Positive (predicted) | |
|---|---|---|
| Negative (actual) | 98 | 0 |
| Positive (actual) | 1 | 1 |
上表描述了负输出与正输出。这两个结果是每个示例的“类”。由于只有两个类，因此用于生成混淆矩阵的模型可以描述为二元分类器。 （二元分类器的示例：垃圾邮件检测。所有电子邮件都是垃圾邮件或不是垃圾邮件，就像所有食物都是热狗或不是热狗一样。）文章来源：https://www.toymoban.com/news/detail-528920.html
为了更好地解释该表，您还可以按照真阳性、真阴性、假阳性和假阴性来查看它。文章来源地址https://www.toymoban.com/news/detail-528920.html
| Negative (predicted) | Positive (predicted) | |
|---|---|---|
| Negative (actual) | true negative | false positive |
到了这里，关于【机器学习】准确率、精确度、召回率和 F1 定义的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
