Точность парадокс является парадоксальным выводом , что точность не является хорошим показатель для моделей прогнозирования при классификации в прогнозном анализе . Это потому, что простая модель может иметь высокий уровень точности, но быть слишком грубой, чтобы быть полезной. Например, если частота случаев категории A является доминирующей и обнаруживается в 99% случаев, то прогнозирование того, что каждый случай относится к категории A, будет иметь точность 99%. В таких случаях точность и отзыв являются лучшими мерами. [1] [2] Основная проблема заключается в том, что существует классовый дисбаланс между положительным и отрицательным классами. [3]При анализе ошибок необходимо учитывать априорные вероятности для этих классов. Точность и отзыв помогают, но точность также может быть искажена очень несбалансированными априорными классами в тестовых наборах.
Ссылки [ править ]
- ^ ABMA, BJM (10 сентября 2009), Оценка инструментов управления требованиями с поддержкой анализа последствий изменения прослеживаемости на основе (PDF) , Университет Твенте, стр. 86-87
- ^ Вальверде-Альбасете; Карилло-де-Альборнос; Пелаэс-Морено (2013), «Предложение по новым метрикам оценки и методике визуализации результатов для задач анализа настроений», Оценка доступа к информации. Многоязычность, мультимодальность и визуализация , Springer, ISBN 9783642408021
- ^ Afonja, Tejumade (2017-12-08). «Парадокс точности» . К науке о данных . Проверено 15 марта 2019 .
 | Эта статья о статистике незавершена . Вы можете помочь Википедии, расширив ее . |
