Ist Rückruf / Präzision besser als Empfindlichkeit / Spezifität?
Der einfachste Weg, die Qualifikation eines Klassifizierungsmodells zu bewerten, besteht darin, die erwarteten Werte und die vorhergesagten Werte aus dem Modell zu kombinieren und alle Fälle zu zählen, in denen wir Recht oder falsch hatten. das heißt – konstruieren Sie eine Verwirrungsmatrix.
Für alle, die auf Klassifizierungsprobleme im maschinellen Lernen gestoßen sind, ist eine Verwirrungsmatrix ein ziemlich bekanntes Konzept. Es spielt eine wichtige Rolle bei der Bewertung von Klassifizierungsmodellen und bietet Hinweise darauf, wie wir ihre Leistung verbessern können.
Obwohl Klassifizierungsaufgaben diskrete Ausgaben erzeugen können, haben diese Modelle tendenziell ein gewisses Maß an Unsicherheit.
Die meisten Modellausgaben können in Bezug auf die Wahrscheinlichkeiten der Zugehörigkeit der Klasse ausgedrückt werden. Typischerweise, eine Entscheidungsschwelle Dadurch kann ein Modell die Ausgangswahrscheinlichkeit einer diskreten Klasse auf den Vorhersageschritt einstellen. Am häufigsten ist dieser Wahrscheinlichkeitsschwellenwert auf 0,5 eingestellt.
Abhängig von der Anwendungsfallfall und davon, wie intestine das Modell die richtigen Informationen erfassen kann, kann dieser Schwellenwert angepasst werden. Wir können analysieren, wie sich das Modell an verschiedenen Schwellenwerten entwickelt, um die gewünschten Ergebnisse zu erzielen.