«precision-recall» etiketlenmiş sorular

Yanlış pozitif olmamak çok daha önemli bir ikili sınıflandırma sorunu üzerinde çalışıyorum; oldukça yanlış negatif bir sürü ok. Örneğin sklearn'de bir grup sınıflandırıcı kullandım, ancak hiçbirinin hassas hatırlama dengesini açıkça ayarlama yeteneğine sahip olmadığını düşünüyorum (oldukça iyi sonuçlar üretiyorlar, ancak ayarlanabilir değiller). Hangi sınıflandırıcılar ayarlanabilir hassasiyet / geri çağırma özelliğine …

11 classification  precision-recall 

Çok dengesiz bir veri setim olduğu için (% 9 olumlu sonuçlar), hassas hatırlama eğrisinin ROC eğrisinden daha uygun olduğuna karar verdim. PR eğrisi altındaki alanın benzer özet ölçüsünü aldım (eğer ilgileniyorsanız .49), ancak nasıl yorumlanacağından emin değilim. ROC için iyi bir AUC'nin .8 veya üstü olduğunu duydum, ancak genel hatırlatmalar, …

11 classification  precision-recall  auc 

Bu F beta puanı: Fβ= ( 1 + β2) ⋅ s r e c ı s ı o , n ⋅ r e c a l l( β2⋅ p r e c i s i o n ) + r e c a l lFβ=(1+β2)⋅precision⋅recall(β2⋅precision)+recallF_\beta = (1 + \beta^2) \cdot …

10 machine-learning  precision-recall  model-evaluation 

Şu anda üç yöntemi karşılaştırıyorum ve ölçüm olarak Doğruluk, auROC ve auPR var. Ve aşağıdaki sonuçlara sahibim: Yöntem A - acc: 0.75, auROC: 0.75, auPR: 0.45 Yöntem B - acc: 0.65, auROC: 0.55, auPR: 0.40 Yöntem C - acc: 0.55, auROC: 0.70, auPR: 0.65 Ben doğruluk ve auroC iyi bir …

10 machine-learning  roc  precision-recall 

Hatırlama neden gerçek negatifleri hesaba katmıyor? Gerçek negatiflerin gerçek pozitifler kadar önemli olduğu deneylerde, bunlar dikkate alınan karşılaştırılabilir bir metrik midir?

10 precision-recall 

1) Sklearn'deki RandomForest'te sınıflandırma eşiğini (varsayılan olarak 0,5 olduğunu düşünüyorum) nasıl değiştirebilirim? 2) sklearn'de nasıl yetersiz numune alabilirim? 3) RandomForest sınıflandırıcısından şu sonucu aldım: [[1635 1297] [520 3624]] precision recall f1-score support class 0 0.76 0.56 0.64 2932 class 1 0.74 0.87 0.80 4144 ort / toplam 0,75 0,74 0,73 …

9 classification  random-forest  precision-recall  unbalanced-classes