知识卡片
混淆表按真实类别统计错误
以真实邮件类型为行、预测正常/垃圾为列,分别计算正常邮件被误删与垃圾邮件漏过的比例。原表还区分easy/hard ham,行内比例不应误读成预测类精确率;总体准确率会受类别比例影响。评估前先约定正类、分母与误判成本。
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 用所有邮件类型测试分类器 · 查看原书依据
我们的混淆矩阵有三行两列(见表3-3)。每一列就是预测为正常邮件或者垃圾邮件的百分比,如果我们的分类器表现完美,那么分类结果里的两列相应的值应该是[1,1,0]和[0,0,1]。 虽然分类器效果还是相当不错,不过,并不完美。和第一步测试一样,仍然有约25%的误判率,其中分类器对易
参考来源
- 位置:《机器学习:实用案例解析》第03章《用所有邮件类型测试分类器》(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/part3094.html,spine3200)
- 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:我们的混淆矩阵有三行两列(见表3-3)。每一列就是预测为正常邮件或者垃圾邮件的百分比,如果我们的分类器表现完美,那么分类结果里的两列相应的值应该是[1,1,0]和[0,0,1]。 虽然分类器效果还是相当不错,不过,并不完美。和第一步测试一样,仍然有约25%的误判率,其中分类器对易