了解分类结果
Understanding classification results
我已经 运行 一个简单的双 class 神经网络，我最终得到了这个结果（eval）：
我想我会对 True Positive 和 False Negative 结果感到满意。但是 False Positive 是什么意思呢？ False Positive 表示它没有正确 class 化 2002 个元素并遗漏了它们？
Accuracy是66%，很糟糕吧？那和AUC有什么区别？
Precision 因为准确度也很差而受到影响（我希望达到 80%+）？
我如何翻转 Positive Label 和 Negative Label？我真的很想预测目标是找到 CANDIDATE
的 class化
基本上，对于 false/true 正数和 false/true 负数：
您已经检测到数据集中几乎所有的候选样本，其中 3420 个被正确预测为 TRUE，其中 31 个被预测为 FALSE。此信息在召回率中捕获：3420/(3420+31) = 99.1%。它很高，所以非常好。
但是，您预测太多 候选人。事实上，在模型预测的所有 TRUE 值中，3420 个实际上是 TRUE，2002 个实际上是 FALSE。这使得精确率很差：3420/(3420+2002)=63.1%。这不是很好。
F1是Precision和Recall的组合，将它们汇总成一个值，某种加权平均。公式为 2*(P*R)/(P+R)。因此，如果 Precision 或 Recall 之一不好：F1score 将捕获它。
您可以看到您的数据集中共有 5999 个示例。其中，3451 个是真的，2548 个是假的。所以你有 57% 的数据是真实的。如果你做了一个非常愚蠢的分类器，无论特征是什么，都将所有东西都分类为真，那么你将获得 57% 的准确率。鉴于此，66.1% 的准确率并不是很好。
如果您查看 table 的第二列，您只能预测 5999 个样本中的 577 个错误。您的分类器严重偏向于 TRUE 预测。
对于 AUC，它代表曲线下面积。您可以阅读more detailed info about it here。总结一下：当你预测一个值时，你并没有真正直接得到 True 或 False。您会得到一个介于 0（假）和 1（真）之间的实数。对预测值（例如 0.2）进行分类的方法是使用阈值。阈值默认设置为 0.5。因此，如果您预测 0.2，您的模型将预测将其归类为 False，因为 0.2<0.5。但是你可以让阈值在 0 和 1 之间移动。如果分类器真的很好，如果它真的很好地区分了 Falses 和 Trues 预测，那么 AUC 将接近 1。如果它真的很差，它将接近 0.5 .如果您需要更多信息，请参阅 link。
我已经 运行 一个简单的双 class 神经网络，我最终得到了这个结果（eval）：
我想我会对 True Positive 和 False Negative 结果感到满意。但是 False Positive 是什么意思呢？ False Positive 表示它没有正确 class 化 2002 个元素并遗漏了它们？
Accuracy是66%，很糟糕吧？那和AUC有什么区别？
Precision 因为准确度也很差而受到影响（我希望达到 80%+）？
我如何翻转 Positive Label 和 Negative Label？我真的很想预测目标是找到 CANDIDATE
基本上，对于 false/true 正数和 false/true 负数： 您已经检测到数据集中几乎所有的候选样本，其中 3420 个被正确预测为 TRUE，其中 31 个被预测为 FALSE。此信息在召回率中捕获：3420/(3420+31) = 99.1%。它很高，所以非常好。
但是，您预测太多 候选人。事实上，在模型预测的所有 TRUE 值中，3420 个实际上是 TRUE，2002 个实际上是 FALSE。这使得精确率很差：3420/(3420+2002)=63.1%。这不是很好。
F1是Precision和Recall的组合，将它们汇总成一个值，某种加权平均。公式为 2*(P*R)/(P+R)。因此，如果 Precision 或 Recall 之一不好：F1score 将捕获它。
您可以看到您的数据集中共有 5999 个示例。其中，3451 个是真的，2548 个是假的。所以你有 57% 的数据是真实的。如果你做了一个非常愚蠢的分类器，无论特征是什么，都将所有东西都分类为真，那么你将获得 57% 的准确率。鉴于此，66.1% 的准确率并不是很好。 如果您查看 table 的第二列，您只能预测 5999 个样本中的 577 个错误。您的分类器严重偏向于 TRUE 预测。
对于 AUC，它代表曲线下面积。您可以阅读more detailed info about it here。总结一下：当你预测一个值时，你并没有真正直接得到 True 或 False。您会得到一个介于 0（假）和 1（真）之间的实数。对预测值（例如 0.2）进行分类的方法是使用阈值。阈值默认设置为 0.5。因此，如果您预测 0.2，您的模型将预测将其归类为 False，因为 0.2<0.5。但是你可以让阈值在 0 和 1 之间移动。如果分类器真的很好，如果它真的很好地区分了 Falses 和 Trues 预测，那么 AUC 将接近 1。如果它真的很差，它将接近 0.5 .如果您需要更多信息，请参阅 link。