SVM 的准确率应该是多少？
What percentages should be expected for an SVM to be accurate?
在我目前正在做的作业中，我训练了一个 SVM
用我的训练集得到结果
accuracy: 0.983
true positive rate: 0.544
false positive rate: 0.006
true negative rate: 0.439
false negative rate: 0.012
测试验证集的结果告诉我
accuracy: 0.979
true positive rate: 0.816
false positive rate: 0.003
true negative rate: 0.164
false negative rate: 0.018
两者的准确性都很高，我认为这是一件好事，
但对于真正的正面等，我应该瞄准什么样的价值观
它们到底是什么意思？
关于四个结果的含义：
True positiv：结果应该是positiv (=class 1) 而模型预测的结果是positiv (=class 1) -> 这个值高就好了！
假阳性：结果本应为阴性 (=class 0)，但模型返回阳性结果 (=class 1)。事实上，模型混淆了两个 classes，这很糟糕。因此，数字越小越好。
真负：结果应该是负的（=class 0）而模型的答案是负的（=class 0 ).这很好，数字越大越好。
假阴性：结果本应为正 (=class 1)，但模型返回负 (=class 0)。这很糟糕，数字越低越好。
四个都是百分比。它们加在一起应为 1 (=100%)。真阴性率和真阳性率加起来就是准确率。
机器学习是非常特定于数据的，因此在没有测试您的特定数据、使用多种算法和参数的情况下，没有人能够说出预期的性能。如果存在这样的公式就好了，它会告诉人们使用什么算法和参数，但实际上直到今天已知的唯一方法是针对特定问题测试不同的设置。
虽然 Marcus 的回答非常清楚地解释了什么是 True/False Positive/Negatives。这可能有点误导，因为问题要求它们各自的 rates，这不是一回事。
然而，这些是从 True/False Positive/Negatives 生成的，因此您应该阅读维基百科上的 this 文章，解释这些比率到底是什么。
其中 TP = 真阳性，FN = 假阴性等
在我目前正在做的作业中，我训练了一个 SVM 用我的训练集得到结果
accuracy: 0.983
true positive rate: 0.544
false positive rate: 0.006
true negative rate: 0.439
false negative rate: 0.012
测试验证集的结果告诉我
accuracy: 0.979
true positive rate: 0.816
false positive rate: 0.003
true negative rate: 0.164
false negative rate: 0.018
两者的准确性都很高，我认为这是一件好事， 但对于真正的正面等，我应该瞄准什么样的价值观 它们到底是什么意思？
关于四个结果的含义：
True positiv：结果应该是positiv (=class 1) 而模型预测的结果是positiv (=class 1) -> 这个值高就好了！
假阳性：结果本应为阴性 (=class 0)，但模型返回阳性结果 (=class 1)。事实上，模型混淆了两个 classes，这很糟糕。因此，数字越小越好。
真负：结果应该是负的（=class 0）而模型的答案是负的（=class 0 ).这很好，数字越大越好。
假阴性：结果本应为正 (=class 1)，但模型返回负 (=class 0)。这很糟糕，数字越低越好。
四个都是百分比。它们加在一起应为 1 (=100%)。真阴性率和真阳性率加起来就是准确率。
机器学习是非常特定于数据的，因此在没有测试您的特定数据、使用多种算法和参数的情况下，没有人能够说出预期的性能。如果存在这样的公式就好了，它会告诉人们使用什么算法和参数，但实际上直到今天已知的唯一方法是针对特定问题测试不同的设置。
虽然 Marcus 的回答非常清楚地解释了什么是 True/False Positive/Negatives。这可能有点误导，因为问题要求它们各自的 rates，这不是一回事。
然而，这些是从 True/False Positive/Negatives 生成的，因此您应该阅读维基百科上的 this 文章，解释这些比率到底是什么。
其中 TP = 真阳性，FN = 假阴性等