如何解释机器学习分类算法中的得分概率？
How to interpret scored probabilities in machine learning classification algorithm?
我正在使用两个神经网络进行两个 class 文本 class 化。我在测试数据上获得了 90% 的准确率。还使用不同的性能指标，如精度、召回率、f 分数和混淆矩阵来确保模型按预期执行。
在使用训练模型的预测实验中，我正在为每个 prediction.The 输出获取概率，如下所示（无法提供它在 Azure ML Studio 中实现的代码）
例如：
class（概率），class 2（概率）-> 预测 class
class 1 (0.99) , class 2 (0.01) -> class 1
class 1 (0.53) , class 2 (0.47) -> class 1
class 1 (0.2) , class 2(0.8) -> class 2
Example
根据我目前的理解，通过查看我们可以判断的概率，模型对其 prediction.And 90% 的准确性意味着 100 条记录中 10 个预测可能出错。
现在我的问题是，通过查看概率（置信度）我们可以判断当前记录属于 90%（正确预测）还是 10%（错误预测）的哪个桶？
我想要实现的是，给你一些指标来告诉 him/her 这个预测可能是错误的，他们可能想在使用之前将其更改为其他 class这些结果。
90% accuracy means out 100 records 10 predictions could go wrong.
不完全是这样；准确性总是（尽管隐含地）与我们用来衡量它的 specific 测试集相关联：因此，90% 意味着在 100 条记录中我们的分类器确实错误分类了 10 条（即没有"could").
我们希望在机器学习中的是，我们的模型在新的、看不见的数据中的性能将与我们的测试集（关于训练我们的模型，也是看不见的）。粗略地说，只要我们的新数据与我们的训练和测试集来自相同的统计分布，这并不是一个不合理的期望。
What I'm trying to achieve is, to give end your some metric to tell him/her that this prediction is probably wrong, they might want to change it to some other class before using these results.
凭直觉，您应该已经知道这个问题的答案：将返回的概率解释为置信度（这至少在原则上不是无效解释），它们的值告诉您一些关于 "certain" 您的模型是关于它的答案：所以，你可以做的就是为最终用户提供这些概率值；在您的示例中，"Question" 概率为 0.97 的情况在质量上确实与概率为 ~ 0.50...
的情况 "Question" 不同
我正在使用两个神经网络进行两个 class 文本 class 化。我在测试数据上获得了 90% 的准确率。还使用不同的性能指标，如精度、召回率、f 分数和混淆矩阵来确保模型按预期执行。
在使用训练模型的预测实验中，我正在为每个 prediction.The 输出获取概率，如下所示（无法提供它在 Azure ML Studio 中实现的代码）
例如： class（概率），class 2（概率）-> 预测 class
class 1 (0.99) , class 2 (0.01) -> class 1
class 1 (0.53) , class 2 (0.47) -> class 1
class 1 (0.2) , class 2(0.8) -> class 2
Example
根据我目前的理解，通过查看我们可以判断的概率，模型对其 prediction.And 90% 的准确性意味着 100 条记录中 10 个预测可能出错。
现在我的问题是，通过查看概率（置信度）我们可以判断当前记录属于 90%（正确预测）还是 10%（错误预测）的哪个桶？
我想要实现的是，给你一些指标来告诉 him/her 这个预测可能是错误的，他们可能想在使用之前将其更改为其他 class这些结果。
90% accuracy means out 100 records 10 predictions could go wrong.
不完全是这样；准确性总是（尽管隐含地）与我们用来衡量它的 specific 测试集相关联：因此，90% 意味着在 100 条记录中我们的分类器确实错误分类了 10 条（即没有"could").
我们希望在机器学习中的是，我们的模型在新的、看不见的数据中的性能将与我们的测试集（关于训练我们的模型，也是看不见的）。粗略地说，只要我们的新数据与我们的训练和测试集来自相同的统计分布，这并不是一个不合理的期望。
What I'm trying to achieve is, to give end your some metric to tell him/her that this prediction is probably wrong, they might want to change it to some other class before using these results.
凭直觉，您应该已经知道这个问题的答案：将返回的概率解释为置信度（这至少在原则上不是无效解释），它们的值告诉您一些关于 "certain" 您的模型是关于它的答案：所以，你可以做的就是为最终用户提供这些概率值；在您的示例中，"Question" 概率为 0.97 的情况在质量上确实与概率为 ~ 0.50...
的情况 "Question" 不同