algorithm - significado - ¿Qué significa recordar en Machine Learning?
recordar wiktionary (5)
Sé que el significado de recordar en el motor de búsqueda, pero ¿cuál es el significado de la memoria de un clasificador, por ejemplo, clasificador bayes? por favor da un ejemplo, gracias.
por ejemplo, Precisión = corregir / corregir + documentos incorrectos para los datos de prueba. ¿Cómo entender el recuerdo?
En un lenguaje muy simple: por ejemplo, en una serie de fotos que muestran a los políticos, ¿cuántas veces se reconoció correctamente que la foto del político XY mostraba a A. Merkel y no a algún otro político?
precisión es la razón de cuántas veces se reconoció a otra persona (falsos positivos): (aciertos correctos) / (aciertos correctos) + (falsos positivos)
recordar es la relación de cuántas veces se reconoció incorrectamente el nombre de la persona que se muestra en las fotos (''recordó''): (Corregir llamadas) / (Corregir llamadas) + (llamadas falsas)
Estas terminologías en realidad provienen de la teoría de detección de señales. Para más detalles, consulte http://en.wikipedia.org/wiki/Receiver_operating_characteristic
A la derecha, debajo de "Terminología y derivaciones de una matriz de confusión".
La explicación de Precision and Recall de Wikipedia me resultó muy útil:
Supongamos que un programa de computadora para reconocer perros en fotografías identifica 8 perros en una imagen que contiene 12 perros y algunos gatos. De los 8 perros identificados, 5 en realidad son perros (verdaderos positivos), mientras que el resto son gatos (falsos positivos). La precisión del programa es de 5/8 mientras que su recuerdo es 5/12. Cuando un motor de búsqueda devuelve 30 páginas, de las cuales solo 20 fueron relevantes y no devuelve 40 páginas relevantes adicionales, su precisión es 20/30 = 2/3, mientras que su recuperación es 20/60 = 1/3.
Entonces, en este caso, la precisión es "cuán útiles son los resultados de búsqueda", y recordar es "cuán completos son los resultados" .
La precisión en ML es la misma que en Recuperación de información.
recall = TP / (TP + FN)
precision = TP / (TP + FP)
(Donde TP = True Positive, TN = True Negative, FP = False Positive, FN = False Negative).
Tiene sentido usar estas notaciones para el clasificador binario , por lo general, la clasificación menos común es "positiva". Tenga en cuenta que las métricas de precisión / recuperación son en realidad la forma específica donde # classes = 2 para la matriz de confusión más general.
Además, su notación de "precisión" es en realidad precisión , y es (TP+TN)/ ALL
Recuerde, literalmente, cuántos de los verdaderos positivos fueron recuperados (encontrados) , es decir, cuántos de los éxitos correctos también se encontraron.
La precisión (su fórmula es incorrecta) es cuántos de los hits devueltos fueron verdaderos positivos, es decir, cuántos de los encontrados fueron éxitos correctos.
Es bastante sencillo, en realidad.