Accuracy is not the metric to use w

Accuracy is not the metric to use when working with an imbalanced dataset. We have seen that it is misleading.

There are metrics that have been designed to tell you a more truthful story when working with imbalanced classes.

I give more advice on selecting different performance measures in my post “Classification Accuracy is Not Enough: More Performance Measures You Can Use“.

In that post I look at an imbalanced dataset that characterizes the recurrence of breast cancer in patients.

From that post, I recommend looking at the following performance measures that can give more insight into the accuracy of the model than traditional classification accuracy:

Results (Thai) 1:

ความถูกต้องไม่ใช่การวัดการใช้เมื่อทำงานกับชุดข้อมูลการขาดดุล เราได้เห็นว่า มันเป็นความเข้าใจผิดมีวัดที่ออกแบบมาเพื่อบอกเล่าเรื่องราวความจริงมากขึ้นเมื่อทำงานกับเรียนขาดดุลผมให้คำแนะนำเพิ่มเติมในการเลือกประเมินประสิทธิภาพแตกต่างกันในโพสต์ของฉัน "การจำแนกประเภทความแม่นยำมีไม่พอ:เพิ่มเติมประสิทธิภาพมาตรการที่สามารถใช้"ในกระทู้ที่ ขอดูชุดข้อมูลการขาดดุลที่ลักษณะการเกิดซ้ำของมะเร็งเต้านมในผู้ป่วยจากที่โพสต์ แนะนำที่ประสิทธิภาพมาตรการต่อไปที่สามารถให้เข้าใจความถูกต้องของรูปแบบมากกว่าความแม่นยำการจำแนกแบบดั้งเดิม:

Results (Thai) 2:

ความถูกต้องไม่ได้เป็นตัวชี้วัดที่จะใช้เมื่อทำงานกับชุดข้อมูลที่ไม่สมดุล เราได้เห็นว่ามันเป็นความเข้าใจผิด.

มีตัวชี้วัดที่ได้รับการออกแบบมาเพื่อบอกคุณเรื่องที่พูดจริงมากขึ้นเมื่อทำงานร่วมกับการเรียนการขาดดุลมี.

ผมให้คำแนะนำเพิ่มเติมเกี่ยวกับการเลือกมาตรการประสิทธิภาพการทำงานที่แตกต่างกันในการโพสต์ของฉัน "การจำแนกประเภทความแม่นยำไม่เพียงพอ: มาตรการการปฏิบัติงานอื่น ๆ คุณสามารถใช้ ".

ในโพสต์ที่ฉันมองไปที่ชุดข้อมูลที่ขาดดุลที่ characterizes การกำเริบของโรคมะเร็งเต้านมในผู้ป่วย.

จากโพสต์ที่ผมขอแนะนำให้มองหาที่วัดผลการปฏิบัติงานดังต่อไปนี้ที่สามารถให้เข้าใจมากขึ้นในความถูกต้องของรูปแบบกว่าการจัดหมวดหมู่แบบดั้งเดิม ความถูกต้อง:

Results (Thai) 3:

ความถูกต้อง ไม่ใช่ตัวชี้วัดที่จะใช้เมื่อทำงานกับข้อมูลสมดุล . เราได้เห็นแล้วว่า มันเป็นความเข้าใจผิดมีวัดที่ได้รับการออกแบบมาเพื่อบอกเรื่องราวที่เป็นจริงมากขึ้นเมื่อทำงานกับสมดุลเรียนผมให้คำแนะนำเพิ่มเติมในการเลือกมาตรการการปฏิบัติงานต่าง ๆในการโพสต์ของฉัน " หมวดหมู่ความถูกต้องไม่เพียงพอ : มาตรการประสิทธิภาพมากขึ้นคุณสามารถใช้ "ในกระทู้ที่ผมมองเป็น imbalanced ข้อมูลที่ characterizes ซ้ำของโรคมะเร็งเต้านมในผู้ป่วยจากกระทู้นั้น ผมขอแนะนำให้มองหาประสิทธิภาพต่อไปนี้มาตรการที่สามารถให้ข้อมูลเชิงลึกเพิ่มเติมในความถูกต้องของแบบจำลองกว่าความถูกต้องการจำแนกแบบดั้งเดิม :