知识卡片
分组误判暴露训练覆盖不足
把不易识别的正常邮件独立作为测试组,原例184封正确、65封误判,误判比例约26%。这说明只用易正常邮件学习的特征覆盖不足,不能以“简易模型还不错”代替产品要求;实际风险还取决于把正常邮件丢弃的代价。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第3章 分类:垃圾过滤 试写第一个贝叶斯垃圾分类器 · 连续片段4 · 查看原书依据
误判率(误判为垃圾邮件的比例)约为26%。也就是说,有四分之一的不易识别的正常邮件被误判为垃圾邮件了。你可能觉得这个效果不够好,在实际中我们也不愿看到邮件平台有这样的结果,但是考虑到这个分类器只是一个简易版,它的表现还是不错的。当然,更好的测试不仅仅只看分类器对不易识别的正常邮件
参考来源
- 位置:《机器学习:实用案例解析》第03章《试写第一个贝叶斯垃圾分类器 · 连续片段4》(来源项目book-sources;源文件:extracted/OReilly精品图书系列共21册(《Javascript权威指南》、《机器学习:实用案例解析》、《编写可读代码的艺术》、《算法精解》等)/_epub-src/text/part3093.html,spine3199)
- 结论依据:原文的案例步骤与解释支持所述机制;R包、外部API与数据接口限定于本书出版时环境,不作为当前兼容性承诺。
- 原始内容:误判率(误判为垃圾邮件的比例)约为26%。也就是说,有四分之一的不易识别的正常邮件被误判为垃圾邮件了。你可能觉得这个效果不够好,在实际中我们也不愿看到邮件平台有这样的结果,但是考虑到这个分类器只是一个简易版,它的表现还是不错的。当然,更好的测试不仅仅只看分类器对不易识别的正常邮件