Mitä on tarkkuus ja muistaminen tiedon louhinnassa?
Mitä on tarkkuus ja muistaminen tiedon louhinnassa?

Video: Mitä on tarkkuus ja muistaminen tiedon louhinnassa?

Video: Mitä on tarkkuus ja muistaminen tiedon louhinnassa?
Video: Studia Generalia Hyvän tiedon resepti: Argumentaatio ja sen virheet 2024, Marraskuu
Anonim

Sillä aikaa tarkkuutta viittaa osuvien tulosten prosenttiosuuteen, palauttaa mieleen viittaa prosenttiosuuteen osuvien tulosten kokonaismäärästä, joka on algoritmisi oikein luokiteltu. Muissa ongelmissa tarvitaan vaihtokauppaa, ja on tehtävä päätös maksimoidako se tarkkuutta , tai palauttaa mieleen.

Lisäksi mitä on tarkkuus ja muistaminen esimerkin kanssa?

Esimerkki / Tarkkuus - Palauttaa mieleen metriikka luokittimen tulosteen laadun arvioimiseksi. Tarkkuus - Palauttaa mieleen on hyödyllinen ennusteen onnistumisen mittari, kun luokat ovat hyvin epätasapainossa. Tiedonhaussa, tarkkuutta on tulosten relevanssin mitta palauttaa mieleen on mitta siitä, kuinka monta todella relevanttia tulosta palautetaan.

Yllä olevan lisäksi, kuinka lasket tarkkuuden ja muistamisen tiedonlouhinnassa? Esimerkiksi täydellinen tarkkuus- ja palautuspisteet johtaisivat täydelliseen F-Measure-pisteeseen:

  1. F-mitta = (2 * tarkkuus * takaisinkutsu) / (tarkkuus + takaisinkutsu)
  2. F-mitta = (2 * 1,0 * 1,0) / (1,0 + 1,0)
  3. F-mitta = (2 * 1,0) / 2,0.
  4. F-mitta = 1,0.

On myös tiedettävä, mitä on tarkkuus tiedonlouhinnassa?

Kuviontunnistuksessa, tiedonhaussa ja luokitus (koneoppiminen), tarkkuutta (kutsutaan myös positiiviseksi ennustearvoksi) on osuvien tapausten osuus haettujen ilmentymien joukossa, kun taas muistaminen (tunnetaan myös herkkyydeksi) on murto-osa kaikista asiaankuuluvista esiintymistä

Miksi käytämme tarkkuutta ja muistamista?

Tarkkuus on määritellään todellisten positiivisten määrä jaettuna todellisten positiivisten määrällä plus väärien positiivisten määrä. Sillä aikaa palauttaa mieleen ilmaisee kyvyn löytää kaikki asiaankuuluvat esiintymät tietojoukosta, tarkkuutta ilmaisee niiden datapisteiden osuuden, jotka mallimme mukaan olivat olennaisia, olivat todella merkityksellisiä.

Suositeltava: