نحوه استفاده
- TP، FP، TN و FN را از یک نتیجه طبقه بندی باینری وارد کنید.
- به صورت اختیاری، نام برچسب های مثبت و منفی را برای مطابقت با مجموعه داده یا گردش کار خود تغییر دهید.
- دقت را در کنار یادآوری بخوانید تا بتوانید همزمان در مورد هشدارهای اشتباه و نکات مثبت از دست رفته صحبت کنید.
مبادله کلاس مثبت در یک آستانه
این صفحه یک آستانه عملیاتی را بررسی میکند. برای مرور سریع مبادله کلاس مثبت از آن استفاده کنید.
ورودی ها
یک محاسبه برای بررسی دقت، فراخوانی و F1 از یک مجموعه نتایج باینری اجرا کنید.
دقت و یادآوری به سوالات مختلف پاسخ می دهد
دقت میپرسد مثبتهای پیشبینیشده چقدر قابل اعتمادند. فراخوان میپرسد چند مثبت واقعی پیدا شدهاند. با پایین آوردن آستانه، فراخوان معمولاً بالا میرود و دقت ممکن است کاهش یابد.
چه زمانی در این صفحه بمانید
اگر تیم شما آستانه را انتخاب کرده و اکنون یک توضیح ساده میخواهد، این صفحه مناسب است. برای اسلاید بررسی مدل یا یادداشت امضای آستانه از همین خروجی استفاده کنید.
چه زمانی به ROC AUC حرکت کنیم
ROC AUC مرحله بعدی زمانی است که خود آستانه هنوز قابل مذاکره است. اگر سوال اصلی شما این است که حساسیت و ویژگی چگونه در کل امتیازدهی به جای یک برش انتخابی حرکت می کند، ابتدا از آن صفحه استفاده کنید.
سوالات متداول
چه زمانی باید از این صفحه به جای ROC AUC استفاده کنم؟
از این صفحه زمانی استفاده کنید که یک آستانه از قبل انتخاب شده باشد و بخواهید دقت، فراخوانی و F1 را در آن نقطه عملیاتی بررسی کنید. ROC AUC برای رتبهبندی امتیاز در آستانههای مختلف قبل از اینکه به یک برش متعهد شوید است.
چرا یادآوری می تواند بهبود یابد در حالی که دقت بدتر می شود؟
یک آستانه پایین تر معمولا موارد بیشتری را مثبت نشان می دهد. این موارد مثبت واقعی بیشتری را جلب می کند، که یادآوری را افزایش می دهد، اما همچنین تمایل دارد که مثبت های کاذب بیشتری را بپذیرد، که دقت را کاهش می دهد.
F1 فراتر از دقت و یادآوری چه چیزی اضافه می کند؟
F1 میانگین هارمونیک دقت و یادآوری است. این یک عدد خلاصه را ارائه می دهد که وقتی دقت یا یادآوری ضعیف است، سقوط می کند، بنابراین زمانی که به یک متریک کلاس مثبت فشرده نیاز دارید مفید است.
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.