Most classification tasks are evalu

Most classification tasks are evaluated using standard information retrieval metrics,
such as accuracy,6 precision, recall, the F measure, and ROC curve analysis.
Each of these metrics were described in detail in Chapter 8. Of these metrics, the
most commonly used are accuracy and the F measure.
There are two major differences between evaluating classification tasks and
other retrieval tasks. The first difference is that the notion of “relevant” is replaced
with “is classified correctly.” The other major difference is that microaveraging,
which is not commonly used to evaluate retrieval tasks, is widely used in classification
evaluations. Macroaveraging for classification tasks involves computing
some metric for each class and then computing the average of the per-class metrics.
On the other hand, microaveraging computes a metric for every test instance
(document) and then averages over all such instances. It is often valuable to compute
and analyze both the microaverage and the macroaverage, especially when
the class distribution P(c) is highly skewed.

ผลลัพธ์ (ไทย) 1:

งานจัดประเภทส่วนใหญ่จะถูกประเมินโดยใช้เกณฑ์ชี้วัดมาตรฐานการเรียกข้อมูลเช่นความแม่นยำ ความแม่นยำ 6 เรียกคืน วัด F และ ROC โค้งวิเคราะห์การวัดเหล่านี้ถูกอธิบายในรายละเอียดในบทที่ 8 ของวัดเหล่านี้ การส่วนใหญ่นิยมใช้มีความถูกต้องและวัด Fมีความแตกต่างที่สำคัญสองระหว่างงานการจัดประเภทการประเมิน และงานอื่น ๆ เรียก ความแตกต่างแรกคือ ความคิดของ "เกี่ยวข้อง" คือแทนที่กับ "จัดอย่างถูกต้อง" ความแตกต่างที่สำคัญอื่น ๆ คือ ว่า microaveragingซึ่งไม่ได้นำมาใช้ประเมินงานเรียก ถูกใช้ในการจัดประเภทประเมินผล Macroaveraging สำหรับงานประเภทที่เกี่ยวข้องกับคอมพิวเตอร์บางวัดสำหรับแต่ละคลาสและจากนั้นคำนวณค่าเฉลี่ยของการวัดผลต่อคลาบนมืออื่น ๆ microaveraging คำนวณเมตริกสำหรับทุก ๆ อินสแตนซ์ของการทดสอบ(เอกสาร) และค่าเฉลี่ยแล้ว มากกว่ากรณีดังกล่าว ก็มักจะมีคุณค่าในการคำนวณและวิเคราะห์ microaverage และ macroaverage โดยเฉพาะอย่างยิ่งเมื่อสูงจะบิดการกระจายชั้นเรียน P(c)

ผลลัพธ์ (ไทย) 2:

การจัดหมวดหมู่งานส่วนใหญ่ได้รับการประเมินโดยใช้เมตริกการดึงข้อมูลมาตรฐาน
เช่นความถูกต้องแม่นยำ 6 จำมาตรการ F และวิเคราะห์เส้นโค้ง ROC.
แต่ละตัวชี้วัดเหล่านี้ถูกอธิบายในรายละเอียดในบทที่ 8 ของตัวชี้วัดเหล่านี้
ใช้กันมากที่สุดคือ ถูกต้องและมาตรการเอฟ.
มีสองความแตกต่างที่สำคัญระหว่างการประเมินผลงานการจัดหมวดหมู่และ
งานอื่น ๆ ที่ดึง ความแตกต่างที่แรกคือความคิดของ "เกี่ยวข้อง" จะถูกแทนที่
ด้วย "ถูกจัดอย่างถูกต้อง." ความแตกต่างที่สำคัญอื่น ๆ คือ microaveraging ที่
ซึ่งไม่นิยมใช้ในการประเมินผลงานการเรียกใช้กันอย่างแพร่หลายในการจำแนก
การประเมินผล Macroaveraging สำหรับงานการจัดหมวดหมู่ที่เกี่ยวข้องกับการคำนวณ
ตัวชี้วัดบางสำหรับแต่ละชั้นเรียนแล้วคำนวณค่าเฉลี่ยของตัวชี้วัดต่อระดับ.
บนมืออื่น ๆ , microaveraging คำนวณตัวชี้วัดเช่นการทดสอบทุก
(เอกสาร) แล้วค่าเฉลี่ยมากกว่ากรณีดังกล่าวทั้งหมด มันมักจะเป็นที่มีคุณค่าในการคำนวณ
และวิเคราะห์ทั้ง microaverage และ macroaverage โดยเฉพาะอย่างยิ่งเมื่อมี
การกระจายระดับ P (C) เป็นเบ้สูง

ผลลัพธ์ (ไทย) 3:

งานประเภทส่วนใหญ่จะประเมินการใช้ตัวชี้วัดการค้นคืนสารสนเทศมาตรฐานเช่นความถูกต้อง 6 แน่นอน จำได้ว่า F วัดและการวิเคราะห์เส้นโค้ง ROC .ของแต่ละตัวชี้วัดเหล่านี้ถูกอธิบายในรายละเอียดในบทที่ 8 ของตัวชี้วัดเหล่านี้ส่วนใหญ่ที่ใช้กันทั่วไปมีความแม่นยำและ F วัดมีสองความแตกต่างหลักระหว่างการประเมินผลงานและการจำแนกงานระบบอื่น ๆ ความแตกต่างอย่างแรกคือ เรื่องของ " ที่เกี่ยวข้อง " จะถูกแทนที่" เป็นความลับได้อย่างถูกต้อง . " ความแตกต่างที่สำคัญอื่น ๆ ที่ microaveraging ,ซึ่งไม่นิยมใช้ประเมินงานสืบค้น ใช้กันอย่างแพร่หลายในการประเมิน . macroaveraging สำหรับงานประเภทที่เกี่ยวข้องกับคอมพิวเตอร์บางตัวชี้วัดสำหรับแต่ละชั้นเรียน และการคำนวณค่าเฉลี่ยของแต่ละตัวชี้วัดระดับ .บนมืออื่น ๆ , microaveraging คำนวณเมตริกสำหรับทุกการทดสอบตัวอย่าง( เอกสาร ) และค่าเฉลี่ยมากกว่ากรณีดังกล่าวทั้งหมด มันมักจะมีคุณค่าการคํานวณและวิเคราะห์ทั้ง microaverage และ macroaverage , โดยเฉพาะอย่างยิ่งเมื่อห้องแจก P ( C ) เป็นอย่างสูงที่เอียง