Основы машинного обучения

Привет! В этом блоге я объяснил матрицу путаницы, используемую для задач классификации. Изучите концепции машинного обучения простыми словами. Приятного чтения.

Матрица путаницы — это матрица N*N, используемая для оценки или визуализации эффективности модели классификации.

  1. Положительный (P) — это количество положительных результатов в данных, а отрицательный (N) — количество отрицательных результатов в данных. P+N дает общую совокупность или количество данных.
  2. Истинный положительный результат (TP) классифицирует положительное значение как положительное, а ложноотрицательный (FN) классифицирует положительное значение как отрицательное. TP+FN дает фактическое положительное значение.
  3. True Negative (TN) классифицирует отрицательное значение как отрицательное, а False Positive (FP) классифицирует отрицательное значение как положительное. TN+FP дает фактическое отрицательное значение.

Давайте разберемся с каждым термином в матрице путаницы с титанической проблемой классификации товарных знаков. Проблема Титаника основана на гибели корабля Титаник. В этом наборе данных у нас есть информация о пассажирах, которые путешествовали на этом корабле, и о том, выжили они или нет во время катастрофы.

  1. Пассажиры, которые все выжили в катастрофе, были обозначены как положительные (P), а все не выжившие - как отрицательные (N).
  2. True Positive (TP) и True Negative (TN) являются правильными прогнозами (т. е. предсказание выжившего пассажира как выжившего, а невыжившего пассажира как невыжившего).
  3. Ложноположительный результат (FP) и Ложноотрицательный результат (FN) являются неверными прогнозами (т. е. предсказание выжившего пассажира как невыжившего и невыжившего пассажира как выжившего).

Спасибо, что выбрали мой блог. Надеюсь, вы узнали что-то новое благодаря этому. Не стесняйтесь писать предложения, если какие-либо улучшения необходимы.