准确的电话号码和 WhatsApp 号码提供商。 如果您想要电子邮件营销活动列表或短信营销活动,那么您可以联系我们的团队。 电报: @latestdbs

使用混淆矩阵的准确性估计

2022 年 2 月 10 日 热门文章 Accuracy Estimation using Confusion Matrix是一种分类类型预测形式的数据挖掘方法,也是一种监督学习方法,其中有标签可以作为衡量模型性能的参考,代表了预测值和实际值。除此之外,混淆矩阵是机器学习系列的一部分,它研究现有数据并将其分类为新数据并生成分类变量输出名义或序数。

分类的评估方法包括评级因

素 解释 速度 该过程涉及的计算成本 生成和使用模型, 如果它更快,那么它被认为 更好的。 鲁棒性  美国电话号码数据  模型创造或 产生相当准确的预测 可扩展性 建立模型的能力 利用大量数据进行有效预测 这是相当大的 可解释性 理解力和洞察力的水平 由模型给出 在混淆矩阵中,有四个术语用于表示分类过程的结果,即真阳性(TP)、真阴性(TN)、假阳性(FP)和假阴性FN。

用于将两类分类结果制成表格的简单混淆矩阵。 具有以下信息: 表示 解释 TP(真阳性) 真实值的数量分类 准确的 TN(真阴性) False Values的数量相应分类 准确的。

的数量分类为真的 FN假阴性

电话号码数据

真实值的数量分类为 错误的 例子: 这里,将使用的案例是用于检查人类癌症的系统。

在这种情况下,有两种可能性,即癌症被检测到以及未检测到/健康。我们要做的第一件事就  散装铅  是对正类和负类进行分类。在这种情况下,划分将如下所示: 阳性:检测到癌症。 阴性:未检测到癌症/健康。 真阳性 误报 在真正积极的条件下,事情会 在误报情况下,事情会 发生的是 发生的是 检测系统。

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注