The most commonly used measure for

The most commonly used measure for model performance is its Accuracy de-
fined as the ratio between the instances that have been correctly classified (as be-
longing or not to the given class) and the total number of instances: Accuracy =
(T P + T N)/(T P + T N + FP + FN). However, accuracy might be misleading in
many cases. Imagine a 2-class problem in which there are 99,900 samples of class
A and 100 of class B. If a classifier simply predicts everything to be of class A,
the computed accuracy would be of 99.9% but the model performance is question-
able because it will never detect any class B examples. One way to improve this
evaluation is to define the cost matrix where we declare the cost of misclassifying
class B examples as being of class A. In real world applications different types of
errors may indeed have very different costs. For example, if the 100 samples above
correspond to defective airplane parts in an assembly line, incorrectly rejecting a
non-defective part (one of the 99,900 samples) has a negligible cost compared to
the cost of mistakenly classifying a defective part as a good part.

ผลลัพธ์ (ไทย) 1:

วัดประสิทธิภาพรูปแบบที่ใช้บ่อยที่สุดคือ เดความถูกต้องของ-fined เป็นอัตราส่วนระหว่างอินสแตนซ์ที่ถูกต้องได้รับ classified (เป็น-ลิ้น หรือไม่กลุ่ม) และจำนวนของอินสแตนซ์: ความแม่นยำ =(T P + T N) / (T P + T N + FP + FN) อย่างไรก็ตาม ความถูกต้องอาจเป็นระยะ ๆ ในหลายกรณี ลองนึกภาพปัญหาชั้น 2 ซึ่งมีตัวอย่าง 99,900 ของชั้นA และ 100 ของคลาสบี ถ้า classifier เป็นเพียงแค่ทำนายทุกอย่างเป็นของคลาส Aความแม่นยำจากการคำนวณจะได้ 99.9% แต่ประสิทธิภาพรูปแบบ คำถาม-ได้เนื่องจากจะไม่เคยตรวจสอบตัวอย่างคลาส B ใด ๆ วิธีหนึ่งในการปรับปรุงนี้การประเมินคือการ define เมตริกซ์ต้นทุนที่เราประกาศทุนของ misclassifyingตัวอย่างคลาส B เป็นของคลาสเอ ในโลกจริงโปรแกรมประยุกต์ชนิดต่าง ๆข้อผิดพลาดแน่นอนอาจมีต้นทุนที่แตกต่างกันมาก ตัวอย่าง ถ้าข้างตัวอย่าง 100สอดคล้องกับชิ้นส่วนเครื่องบินชำรุดในบรรทัดส่วนประกอบ ถูกปฏิเสธการส่วนหนึ่งไม่มีตำหนิ (หนึ่งอย่าง 99,900) ได้เปรียบเทียบกับต้นทุนระยะต้นทุนของการแสดงประเภทส่วนเสียส่วนดี

ผลลัพธ์ (ไทย) 2:

ตัวชี้วัดที่ใช้กันมากที่สุดสำหรับการทำงานรูปแบบคือความถูกต้องของ de-
กำหนดไว้เป็นอัตราส่วนระหว่างกรณีที่ได้รับอย่างถูกต้องจัดประเภท (ตามโดยสลับ
ปรารถนาหรือไม่ที่ระดับที่กำหนด) และจำนวนรวมของกรณี: ความถูกต้อง =
(TP + เทนเนสซี ) / (TP TN + + + FP FN) แต่ความถูกต้องอาจจะทำให้เข้าใจผิดใน
หลายกรณี ลองนึกภาพปัญหา 2 ชั้นซึ่งมี 99,900 ตัวอย่างของการเรียน
และ 100 ของชั้นบีถ้าเอ้อจัดประเภทเพียงแค่คาดการณ์ทุกอย่างจะของชั้น,
ความถูกต้องของการคำนวณจะเป็น 99.9% แต่ประสิทธิภาพรูปแบบเป็นคำถาม
เพราะสามารถ มันจะไม่ตรวจสอบระดับ B ตัวอย่างใด ๆ วิธีหนึ่งในการปรับปรุงนี้
การประเมินผลเป็นไปทางทิศตะวันออกเฉียงเหนือสายเมทริกซ์ค่าใช้จ่ายที่เราประกาศค่าใช้จ่ายของ misclassifying
ตัวอย่างคลาส B เป็นของคลาสเอในการใช้งานจริงแตกต่างกันของ
ข้อผิดพลาดแน่นอนอาจมีค่าใช้จ่ายที่แตกต่างกันมาก ตัวอย่างเช่นถ้า 100 ตัวอย่างข้างต้น
สอดคล้องกับชิ้นส่วนเครื่องบินที่มีข้อบกพร่องในสายการประกอบ, ไม่ถูกต้องปฏิเสธการ
มีส่วนร่วมไม่เสีย (หนึ่งใน 99,900 ตัวอย่าง) ได้ค่าใช้จ่ายเล็กน้อยเมื่อเทียบกับ
ค่าใช้จ่ายของการจำแนกผิดพลาดที่มีข้อบกพร่องส่วนหนึ่งเป็นส่วนที่ดี .

ผลลัพธ์ (ไทย) 3:

ส่วนใหญ่นิยมใช้ในการวัดประสิทธิภาพของรูปแบบความถูกต้อง de -
จึงเน็ดเป็นอัตราส่วนระหว่างอินสแตนซ์ที่ได้รับอย่างถูกต้อง classi จึงเอ็ด ( -
ปรารถนาหรือไม่ให้เรียน ) และจำนวนของอินสแตนซ์ : ความถูกต้อง =
( T P T N ) / ( T T ) p FP FN ) อย่างไรก็ตาม ความถูกต้องอาจจะทำให้เข้าใจผิดใน
หลายกรณี จินตนาการ 2-class ปัญหาซึ่งมี 99900 ตัวอย่างคลาส
และ 100 ของคลาสบี ถ้า classi จึงเป็นเพียงคาดการณ์ทุกอย่างได้ Class A ,
คำนวณความแม่นยำจะ 99.9% แต่การแสดงรูปแบบคำถาม --
สามารถเพราะมันจะไม่ตรวจสอบใด ๆ ห้องบี ตัวอย่าง วิธีหนึ่งในการปรับปรุงการประเมินนี้
คือ de จึงไม่ต้นทุนเมทริกซ์ที่เราประกาศค่า misclassifying
คลาส B ตัวอย่างเป็นคลาส Aในการใช้งานจริงชนิดที่แตกต่างกันของ
ข้อผิดพลาดแน่นอนอาจมีต้นทุนที่แตกต่างกันมาก ตัวอย่างเช่น ถ้า 100 ตัวอย่างข้างบน
สอดคล้องกับชิ้นส่วนเครื่องบิน บกพร่องในการประกอบ ไม่ถูกปฏิเสธ
ไม่บกพร่องส่วน ( หนึ่งใน 99900 ตัวอย่าง ) โดยมีต้นทุนเมื่อเทียบกับต้นทุนผิดพลาด
การจำแนกส่วนบกพร่องเป็นส่วนหนึ่งที่ดี