Говоря о классификации в машинном обучении, мы склонны сосредотачиваться на точности теста, т. е. на том, сколько экземпляров было правильно классифицировано среди общего количества тестовых экземпляров. Это может ввести в заблуждение, когда речь идет о несбалансированных данных. В этом посте мы обсудим другие показатели производительности, такие как полнота, точность и т. д., и какие дополнительные преимущества они предлагают по сравнению с точностью. Для простоты объяснения давайте..

Когда я работал над несколькими наборами данных, я был сбит с толку, какая метрика является точной, чтобы дать мне ответ на мою мысль «Как мне получить максимально правильную модель?» Увы, после внедрения нескольких наборов данных я получил ответ… ни одна из метрик не является хорошей или плохой для выбора модели… все зависит от того, «какую бизнес-задачу вы пытаетесь решить с помощью модели?» Чтобы понять приведенное выше утверждение, давайте углубимся. Матрица путаницы показывает..