نحوه استفاده
- TP، FP، TN و FN را از یک نتیجه طبقه بندی باینری وارد کنید.
- دقت متعادل را در کنار یادآوری و ویژگی بخوانید، نه به تنهایی.
- دقت متوازن را با دقت ساده مقایسه کنید تا ببینید آیا عدم تعادل طبقاتی باعث تمجید از شماره تیتر می شود یا خیر.
وزن برابر برای مثبت و منفی
میانگین دقت متوازن یادآوری و ویژگی است. این یک راه سریع برای بررسی اینکه آیا با یک کلاس در زمانی که خود مجموعه داده نامتعادل است به طور منصفانه رفتار می شود یا خیر.
ورودی ها
یک محاسبه برای مقایسه دقت متعادل با یادآوری، ویژگی، دقت و دقت ساده انجام دهید.
دقت متعادل یک بررسی عادلانه در بین کلاس ها است
دقت متعادل میانگین یادآوری و ویژگی است. این بدان معناست که کلاسهای مثبت و منفی هر یک وزن برابر دارند، حتی زمانی که خود مجموعه داده به شدت به سمت یک کلاس منحرف شده باشد.
چرا آن را با دقت ساده مقایسه کنیم؟
اگر دقت ساده بسیار بالاتر از دقت متعادل باشد، احتمالاً مدل بر کلاس غالب تکیه دارد. این اغلب نشانه این است که رفتار طبقات اقلیت هنوز به کار نیاز دارد.
بعد چه چیزی را بررسی کنیم
دقت متعادل عنوان خوبی است، اما تمام ماجرا نیست. یادآوری، ویژگی و شمارش ماتریس سردرگمی خام را قابل مشاهده نگه دارید تا ذینفعان بتوانند ببینند کدام طرف معامله منجر به نتیجه می شود.
سوالات متداول
دقت متعادل چه چیزی را اندازه گیری می کند؟
دقت متعادل میانگین یادآوری و ویژگی است. به کلاسهای مثبت و منفی وزن یکسانی میدهد، بنابراین وقتی کلاسها نامتعادل هستند، اغلب آموزندهتر از دقت ساده است.
چرا دقت ساده می تواند بالاتر از دقت متعادل باشد؟
اگر یک کلاس بر مجموعه داده تسلط داشته باشد، یک طبقهبندیکننده میتواند به دقت بالا عمدتاً با درست کردن کلاس غالب دست یابد. دقت متوازن نشان می دهد که آیا کلاس اقلیت به طور منصفانه با میانگین یادآوری و ویژگی مدیریت می شود یا خیر.
آیا دقت متعادل به تنهایی کافی است؟
نه همیشه. دقت متوازن عنوان مفیدی است، اما همچنان باید یادآوری، ویژگی و تعداد ماتریس سردرگمی خام را بررسی کنید تا مبادله عملیاتی را درک کنید.
آیا نشانی وب اشتراکگذاری شامل تعداد یا برچسبهای من میشود؟
خیر. URL اشتراک گذاری فقط تنظیمات سبک وزن مانند اعشار را ذخیره می کند. تعداد و برچسب های سفارشی در مرورگر شما باقی می مانند.
مرتبط
نظرات (اختیاری)
برای کاهش بار، نظرات فقط در صورت نیاز واکشی می شوند.