O que significa recordar na aprendizagem de máquinas?
por exemplo, a precisão = correcto/correcto+errado para os dados de ensaio. como entender o recall?
5 answers
Lembrar, literalmente, é como muitos dos true positivos foram lembrou (encontrado), i.e. como muitos dos acertar também foram encontrados.
Precisão (a sua fórmula está incorrecta) é quantos dos retornados foram verdadeiro positivo, ou seja, quantos dos achados foram acertos.
Na verdade, é bastante simples.A precisão em ML é igual à da recuperação de informação.
recall = TP / (TP + FN)
precision = TP / (TP + FP)
(em que TP = verdadeiro positivo, TN = verdadeiro negativo, FP = falso positivo, FN = falso negativo).
Faz sentido usar estas Notações para classificador binário , normalmente o "positivo" é a classificação menos comum. Note que as métricas de precisão / recall são na verdade a forma específica onde #classes=2 para o mais Geral matriz de confusão.
Também, a tua notação de "precisão" é realmente precisão, e é (TP+TN)/ ALL
Achei muito útil a explicação de Precisão e recolha {[3] } da Wikipédia:
Suponha que um programa de computador para reconhecer cães em fotografias identifica 8 cães em uma foto contendo 12 cães e alguns gatos. Dos 8 cães identificados, 5 são realmente cães (verdadeiros positivos), enquanto os outros são gatos (falsos positivos). A precisão do programa é de 5/8, enquanto a sua retirada é de 5/12. Quando um motor de busca retorna 30 páginas apenas 20 das quais eram relevantes, enquanto não retornar 40 páginas relevantes adicionais, Sua precisão é de 20/30 = 2/3, enquanto sua retirada é de 20/60 = 1/3.Então, neste caso, precisão é "quão úteis são os resultados da pesquisa", e recordar é "quão completos são os resultados".
Precisão é a razão de quantas vezes outra pessoa foi reconhecida (falsos positivos): (acertos) / (acertos) + (falsos positivos))
Recall é a proporção de quantas vezes o nome da pessoa mostrada nas fotos foi incorretamente reconhecido ("recalled"): (chamadas corretas) / (chamadas corretas) + (chamadas falsas))