Other common measures of model perf

Other common measures of model performance, particularly in Information Re-
trieval, are Precision and Recall . Precision, defined as P = T P/(T P + FP), is a Xavier Amatriain, Alejandro Jaimes, Nuria Oliver, and Josep M. Pujol

measure of how many errors we make in classifying samples as being of class A.
On the other hand, recall, R = T P/(T P + FN), measures how good we are in not
leaving out samples that should have been classified as belonging to the class. Note
that these two measures are misleading when used in isolation in most cases. We
could build a classifier of perfect precision by not classifying any sample as being
of class A (therefore obtaining 0 TP but also 0 FP). Conversely, we could build a
classifier of perfect recall by classifying all samples as belonging to class A. As a
matter of fact, there is a measure, called the F1-measure that combines both Preci-
T
Sometimes we would like to compare several competing models rather than es-
timate their performance independently. In order to do so we use a technique de-
veloped in the 1950s for analysis of noisy signals: the Receiver Operating Charac-
teristic (ROC) Curve. A ROC curve characterizes the relation between positive hits
and false alarms. The performance of each classifier is represented as a point on the
curve (see Fig. 2.7).

ผลลัพธ์ (ไทย) 1:

มาตรการทั่วไปอื่น ๆ ของแบบจำลองประสิทธิภาพ โดยเฉพาะอย่างยิ่งในข้อมูล Re-trieval มีความแม่นยำ และการเรียกคืน ความแม่นยำ defined เป็น P = T P / (T P + FP), เป็น Xavier Amatriain, Alejandro Jaimes, Oliver Nuria, Josep M. Pujolวัดจำนวนข้อผิดพลาดที่เราทำในประเภทตัวอย่างที่เป็นของคลาสเอในทางกลับกัน เรียกคืน R = T P / (T P + FN), วัดวิธีที่ดีเราจะไม่ในออกตัวอย่างที่ควรได้รับ classified เป็นของชั้น หมายเหตุว่า มาตรการเหล่านี้สองจะเข้าใจเมื่อใช้ในการแยกในกรณีส่วนใหญ่ เราสามารถสร้าง classifier ของความแม่นยำสมบูรณ์แบบ โดยไม่ประเภทใดอย่างเป็นคลาส A (จึง ได้รับ 0 TP แต่ยัง 0 FP) ในทางกลับกัน เราสามารถสร้างความclassifier โกเรียกคืนตามประเภทตัวอย่างทั้งหมดเป็นของคลาสเอ เป็นการเรื่องของความเป็นจริง มีการวัด เรียกว่า F1-วัดที่รวม Preci ทั้ง -Tบางครั้งเราต้องการเปรียบเทียบหลายแข่งขันรุ่นแทนที่เอส-timate ประสิทธิภาพของพวกเขาเป็นอิสระ ทำให้เราใช้เดอเทคนิคการ-veloped ในช่วงทศวรรษ 1950 การวิเคราะห์สัญญาณเสียงดัง: การรับปฏิบัติ Charac -teristic (ROC) เส้นโค้ง ความสัมพันธ์ระหว่างปริมาณค่าบวกที่ระบุลักษณะของเส้นโค้ง ROCและ false alarms ประสิทธิภาพของแต่ละ classifier จะแสดงเป็นจุดในการเส้นโค้ง (ดู Fig. 2.7)

ผลลัพธ์ (ไทย) 2:

มาตรการทั่วไปอื่น ๆ ของประสิทธิภาพการทำงานรูปแบบโดยเฉพาะอย่างยิ่งในข้อมูล Re-
trieval มีความแม่นยำและการเรียกคืน ความแม่นยำนิยามเป็น P = TP / (TP + FP) เป็นซาเวียร์เตต้า, Alejandro Jaimes, Nuria โอลิเวอร์และ Josep M. Pujol วัดว่าหลายข้อผิดพลาดที่เราทำในกลุ่มตัวอย่างจำแนกเป็นของคลาสเอบนมืออื่น ๆ จำ R = TP / (TP + FN) มาตรการวิธีการที่ดีที่เราไม่ได้อยู่ในการออกจากกลุ่มตัวอย่างที่ควรจะได้รับการจัดประเภทเอ็ดไฟเป็นของชั้นเรียน หมายเหตุว่าทั้งสองมาตรการที่จะทำให้เข้าใจผิดเมื่อนำมาใช้ในการแยกในกรณีส่วนใหญ่ เราสามารถสร้างเอ้อจัดประเภทของความแม่นยำที่สมบูรณ์แบบโดยไม่จำแนกตัวอย่างใด ๆ ที่เป็นของชั้น (0 จึงได้รับ TP แต่ยัง FP 0) ในทางกลับกันเราสามารถสร้างเอ้อจัดประเภทของการเรียกคืนที่สมบูรณ์แบบโดยจำแนกกลุ่มตัวอย่างทั้งหมดเป็นของคลาสเอในฐานะที่เป็นเรื่องของความเป็นจริงมีเป็นตัวชี้วัดที่เรียกว่า F1 วัดที่รวมทั้ง Preci- T บางครั้งเราต้องการที่จะเปรียบเทียบหลายแข่งขัน รุ่นมากกว่า es- timate ประสิทธิภาพของพวกเขาเป็นอิสระ เพื่อที่จะทำเพื่อให้เราใช้เทคนิค de- veloped ในปี 1950 สำหรับการวิเคราะห์สัญญาณที่มีเสียงดัง: รับปฏิบัติการอักษรteristic (ROC) เส้นโค้ง เส้นโค้ง ROC ลักษณะความสัมพันธ์ระหว่างความนิยมในเชิงบวกและการเตือนที่ผิดพลาด ผลการดำเนินงานของแต่ละเอ้อจัดประเภทจะแสดงเป็นจุดบนเส้นโค้ง (ดูรูป. 2.7)

ผลลัพธ์ (ไทย) 3:

มาตรการอื่น ๆทั่วไป ประสิทธิภาพของรูปแบบ โดยเฉพาะอย่างยิ่งในข้อมูลอีกครั้ง -
trieval มีความแม่นยำ และการเรียกคืน ความเที่ยงตรง เดอ จึงเป็น P = T เน็ด / p ( T P FP ) เป็น amatriain หรือสเปน . โดย อเลฮานโดร ซาเวียร์ , , โอลิเวอร์ และโจเซฟ พูโจลเมตร

วัดข้อผิดพลาดหลายวิธีเราทำในกลุ่มตัวอย่างเป็นคลาส A .
บนมืออื่น ๆ , เรียกคืน , r = t / p ( t P FN ) มาตรการวิธีที่ดีที่เราอยู่ไม่ได้
จากตัวอย่างที่ควรได้รับ classi จึงเอ็ดเป็นของชั้น หมายเหตุ
ทั้ง 2 มาตรการจะเข้าใจผิดเมื่อใช้ในการแยกในกรณีส่วนใหญ่ เราสามารถสร้าง classi
จึงเอ้อของความแม่นยำสมบูรณ์แบบ โดยไม่จัดกลุ่มตัวอย่างเป็น
ของชั้น ( จึงได้รับ 0 TP แต่ยัง 0 FP ) ในทางกลับกัน เราสามารถสร้าง
classi จึงเอ้อ เพอร์เฟค จำแนก โดยกลุ่มตัวอย่างทั้งหมดเป็นของห้อง A เป็น
แท้ มีวัด เรียกว่า วัดที่รวมทั้ง F1 --
t
ที่ต้องการ บางครั้งเราต้องการที่จะเปรียบเทียบหลายแข่งขันรุ่นมากกว่า ES -
timate ประสิทธิภาพของพวกเขาเป็นอิสระ เพื่อที่จะทำดังนั้น เราใช้เทคนิคที่ de -
veloped ในปี 1950 สำหรับการวิเคราะห์สัญญาณเสียง :รับทำงาน charac -
teristic ( ROC ) โค้ง เป็นโค้ง ROC ลักษณะความสัมพันธ์ระหว่าง
ฮิตบวกและการเตือนที่ผิดพลาด การปฏิบัติงานของแต่ละ classi จึงเอ้อแสดงเป็นจุดบนโค้ง ( ดูรูปที่ 2

)