사용방법
- 하나의 이진 분류 결과에서 TP, FP, TN, FN을 입력합니다.
- 그 자체가 아닌 재현성과 특이성 외에 균형 정확도를 읽으십시오.
- 균형 정확도와 일반 정확도를 비교하여 클래스 불균형이 헤드라인 수치를 돋보이게 하는지 확인하세요.
양성과 음성에 대한 동일한 가중치
균형 정확도는 재현율과 특이성을 평균화합니다. 이를 통해 데이터 세트 자체가 불균형할 때 한 클래스가 공정하게 처리되고 있는지 빠르게 확인할 수 있습니다.
입력
계산을 실행하여 균형 정확도를 재현율, 특이성, 정밀도 및 일반 정확도와 비교하세요.
균형 정확도는 클래스 전반에 걸친 공정성 검사입니다.
균형 정확도는 재현성과 특이성의 평균입니다. 즉, 데이터 세트 자체가 한 클래스에 크게 치우쳐 있는 경우에도 양성 클래스와 음성 클래스가 각각 동일한 가중치를 갖습니다.
왜 그것을 단순한 정확성과 비교합니까?
일반 정확도가 균형 정확도보다 훨씬 높으면 모델이 지배적인 클래스에 기대어 있을 가능성이 높습니다. 이는 종종 소수 계층의 행동에 여전히 개선이 필요하다는 신호입니다.
다음에 검사할 내용
균형 정확도는 좋은 헤드라인이지만 이것이 전부는 아닙니다. 재현율, 특이성 및 원시 혼동 행렬 수를 눈에 띄게 유지하여 이해관계자가 어느 쪽이 절충안을 통해 결과를 유도하는지 확인할 수 있습니다.
자주 묻는 질문
균형 정확도는 무엇을 측정합니까?
균형 정확도는 재현성과 특이성의 평균입니다. 이는 양성 클래스와 음성 클래스에 동일한 가중치를 부여하므로 클래스가 불균형할 때 일반 정확도보다 더 많은 정보를 제공하는 경우가 많습니다.
일반 정확도가 균형 정확도보다 높은 이유는 무엇입니까?
한 클래스가 데이터 세트를 지배하는 경우 분류자는 대부분 지배적인 클래스를 올바르게 가져옴으로써 높은 일반 정확도를 달성할 수 있습니다. 균형 정확도는 재현율과 특이성을 평균하여 소수 계층이 공정하게 처리되고 있는지 여부를 나타냅니다.
균형 정확도는 그 자체로 충분합니까?
항상 그런 것은 아닙니다. 균형 정확도는 유용한 헤드라인이지만, 운영상의 장단점을 이해하려면 재현율, 특이성 및 원시 혼동 행렬 수를 계속 검사해야 합니다.
공유 URL에 내 개수나 라벨이 포함되어 있나요?
아니요. 공유 URL은 소수점 이하 자릿수와 같은 간단한 설정만 저장합니다. 개수와 맞춤 라벨은 브라우저에 그대로 유지됩니다.
관련
설명(선택사항)
부하를 줄이기 위해 필요할 때만 주석을 가져옵니다.