Other common measures of model perf

Other common measures of model performance, particularly in Information Retrieval, are Precision and Recall . Precision, defined as P = T P/(T P + FP), is a
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

Precision and Recall into a single measure as: F1 = R2+RPP = 2TP+2FNP+FP

ผลลัพธ์ (ไทย) 1:

มาตรการทั่วไปอื่น ๆ ของแบบจำลองประสิทธิภาพการทำงาน โดยเฉพาะอย่างยิ่งในการเรียกข้อมูล มีความแม่นยำ และการเรียกคืน ความแม่นยำ defined เป็น P = T P / (T P + FP), เป็นการวัดจำนวนข้อผิดพลาดที่เราทำในประเภทตัวอย่างที่เป็นของคลาสเอในทางกลับกัน 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-วัดที่รวมทั้ง ความแม่นยำและเรียกคืนในวัดเดียวเป็น: F1 = R2 + RPP = 2TP + 2FNP + FP

ผลลัพธ์ (ไทย) 2:

มาตรการอื่น ๆ ของผลการดำเนินงานรูปแบบโดยเฉพาะอย่างยิ่งในการดึงข้อมูลที่มีความแม่นยำและการเรียกคืน ความแม่นยำในการนิยามเป็น P = TP / (TP + FP) เป็น
ตัวชี้วัดว่าหลายข้อผิดพลาดที่เราทำในการจำแนกกลุ่มตัวอย่างที่เป็นของชั้น A.
ในทางตรงกันข้ามการเรียกคืน, R = TP / (TP + FN) มาตรการ วิธีที่ดีที่เราอยู่ในไม่
ออกจากกลุ่มตัวอย่างที่ควรได้รับการจัดประเภทเป็นของชั้นเรียน หมายเหตุ
ที่สองมาตรการเหล่านี้จะทำให้เข้าใจผิดเมื่อนำมาใช้ในการแยกในกรณีส่วนใหญ่ เรา
สามารถสร้างเอ้อจัดประเภทของความแม่นยำที่สมบูรณ์แบบโดยไม่แบ่งประเภทของตัวอย่างใด ๆ ที่เป็น
ของชั้น (จึงได้รับ 0 TP แต่ยัง 0 FP) ในทางกลับกันเราสามารถสร้าง
เอ้อจัดประเภทของการเรียกคืนที่สมบูรณ์แบบโดยการจำแนกกลุ่มตัวอย่างทั้งหมดเป็นของคลาสเอในฐานะที่เป็น
เรื่องของความเป็นจริงมีเป็นตัวชี้วัดที่เรียกว่า F1 วัดที่ผสมผสานทั้งความแม่นยำและจำเป็นวัดเดียวเป็น F1 = R2 + RPP = 2TP + 2FNP + FP

ผลลัพธ์ (ไทย) 3:

มาตรการอื่น ๆทั่วไป ประสิทธิภาพของรูปแบบ โดยเฉพาะอย่างยิ่งในการสืบค้นข้อมูล มีความแม่นยำ และการเรียกคืน ความเที่ยงตรง เดอ จึงเป็น P = T เน็ด / p ( T P FP ) เป็น
วัดข้อผิดพลาดหลายวิธีที่เราทำในการจำแนกกลุ่มตัวอย่างเป็นคลาส A .
บนมืออื่น ๆ , เรียกคืน , r = t / p ( T P FN ) มาตรการวิธีที่ดีที่เราอยู่ไม่ได้
ออกจากตัวอย่างที่ควรได้รับ classi จึงเอ็ดเป็นของชั้นหมายเหตุ
ทั้ง 2 มาตรการจะเข้าใจผิดเมื่อใช้ในการแยกในกรณีส่วนใหญ่ เราสามารถสร้าง classi
จึงเอ้อของความแม่นยำสมบูรณ์แบบ โดยไม่จัดกลุ่มตัวอย่างเป็น
ของชั้น ( จึงได้รับ 0 TP แต่ยัง 0 FP ) ในทางกลับกัน เราสามารถสร้าง
classi จึงเอ้อสมบูรณ์แบบระลึกโดยแบ่งประเภทของตัวอย่างทั้งหมดเป็นของห้อง A เป็น
แท้ มีวัดเรียกว่าวัด F1 ที่รวมทั้งความแม่นยำและจำ

เป็นวัดเดียว : F1 = R2 RPP = 2tp 2fnp FP