Machine Learning
1、基础知识
1.1 机器学习方式
1.2 模型评估
1.2.1 错误率与精度
1.2.2 查准率与查全率
2、分类-基本算法
2.1 决策树
2.1.1 决策树的基本原理
2.1.2 决策树的三要素
2.1.3 决策树算法的优缺点
2.1.4 熵和信息增益的区别
2.1.5 剪枝处理的作用及策略
2.1.6 决策树算法-id3
2.1.7 决策树算法-c4.5
2.1.8 决策树算法-cart
3、分类-组合算法
3.1 集成学习概述
3.2 个体学习器
3.3 结合策略
3.4 Bagging和Boosting的联系与区别
3.5 Bagging
3.5.1 随机森林原理
3.6 Boosting
3.6.1 AdaBoost原理
-
+
游客
注册
登录
查准率与查全率
## 1 算法预测结果的类型 1. **正确肯定（True Positive, TP）：** 预测为真，实际为真。 2. **正确否定（True Negative, TN）：** 预测为假，实际为假。 3. **错误肯定（False Positive, FP）：** 预测为真，实际为假。 4. **错误否定（False Negative, FN）：** 预测为假，实际为真。 ## 2 查准率 > 查准率（Precision） = TP / (TP + FP) **理解：** 预测出阳性的样本中，正确的有多少。区别准确率（正确预测出的样本，包括正确预测为阳性、阴性，占总样本比例）。 例如，在所有我们预测有恶性肿瘤的病人中，实际上有恶性肿瘤的病人的百分比，越高越好。 ## 3 查全率 > 查全率（Recall） = TP / (TP + FN) **理解：** 正确预测为阳性的数量占总样本中阳性数量的比例。 例如：在所有实际上有恶性肿瘤的病人中，成功预测有恶性肿瘤的病人的百分比，越高越好。
ricear
2021年3月30日 14:56
©
BY-NC-ND(4.0)
转发文档
收藏文档
上一篇
下一篇
手机扫码
复制链接
手机扫一扫转发分享
复制链接
Markdown文件
分享
链接
类型
密码
更新密码