Свързани публикации 'confusion-matrix'
Точност на небалансирани набори от данни и защо, имате нужда от матрица на объркването!
Причините за използване на матрица на объркване при работа с небалансирани набори от данни.
Небалансираният набор от данни е вид разпределение на данни, при което един или повече класове имат най-голям брой проби, принадлежащи към техния клас, отколкото другите класове. Разпределението на класовете в небалансиран набор от данни не е еднакво между класовете. За да опростим, нека разгледаме проблем с двоична класификация, където трябва да класифицираме дали определена проба е котка или..
Познавайте различни мерки за ефективност за проблем с класификация на машинното обучение
Тази статия ще ви научи на различните мерки за ефективност, използвани в задачите за класификация на машинното обучение. Статията ще обхване и правилното използване на тези мерки за ефективност.
Нека започнем с въпроса: какво се разбира под мярка за ефективност?
В контекста на машинното обучение можем да разглеждаме мерките за ефективност като инструмент за измерване, който ще ни каже колко добър е нашият обучен модел.
Обикновено „точността“ се счита за стандартна мярка за..
Матрица за киберпрестъпления и объркване
Относно киберсигурността
През последните дни киберсигурността и защитата срещу множество кибер - атаки придобиват все по-голямо значение. Основната причина за това е огромният растеж на компютърните мрежи и огромният брой използвани приложения. Кибератаките причиняват сериозни щети и сериозни финансови загуби в широкомащабни мрежи. Съществуващите решения като хардуерни и софтуерни защитни стени, удостоверяване на потребителя и метод за криптиране на данни не са достатъчни, за да..
Моят модел добре ли е обучен?
Параметри на ефективността на обучен модел
Машинното обучение е комбинация от модели, които, ако се прилагат в правилна настройка, дават неочаквани резултати. Напротив, ако не бъдат избрани разумно, това може да доведе до грешни прогнози или резултати. И така, цикълът на разработване на високоточни модели за машинно обучение не спира с обучение и приспособяване на набора от данни към избраните модели. Трябва да анализираме обучен модел по различни параметри, за да проверим неговата..
Метрики за оценки
Извършили сте цялото почистване на данни, приложили сте различни EDA и техники за инженеринг на функции и сте използвали различен модел за обучение, но как да решите дали моделът работи добре или зле. Това е мястото, където се появяват различни показатели за оценка.
Изборът на подходящ показател за оценка е важен, защото може да повлияе на избора ви на модел или да реши дали да пуснете модела си в производство. Нека да видим долните 2 примера,
За проблем с класификацията, вашият..
Метрики за оценка при проблеми с класификацията
При проблеми с класификацията ние използваме модели за машинно обучение за класовете, които искаме да предвидим. Има много налични модели за класификация, но не всички от тях са подходящи за всеки набор от данни. Обикновено към набора от данни за класификация се прилага повече от един модел и сред тях се избира най-подходящият. Има определени показатели за оценка, за да изберете най-подходящия сред тези модели. Тези; Точност, припомняне, прецизност, F1 резултат.
Най-известният от тези..
Матрица на объркването: ясен начин за визуализиране на ефективността на модела при класификация
Матрицата на объркването е мощен инструмент, използван за оценка на ефективността на класификационните модели. Той предоставя ясно и кратко резюме на това колко добре се представя моделът, което ви позволява да идентифицирате области за подобрение. Матрицата е табличен формат, който показва прогнозирани стойности спрямо действителните им стойности. Това ви позволява да разберете дали моделът прави правилни прогнози или не.
Матриците на объркване могат да се използват за изчисляване на..
