正确分类实例的含义weka

Question

我最近开始使用weka，我正试图使用朴素贝叶斯将推特分类为正面或负面。所以我有一个训练集，上面有我给的标签，还有一个测试集，上面有所有标签都是“肯定的”。当我运行Naive Bayes时，我得到以下结果：

正确分类实例：69 92%错误分类实例：6 8%

然后，如果我将测试集中推文的标签更改为“否定”并再次运行朴素贝叶斯，结果会颠倒：

分类正确的实例：6.8%分类错误的实例：69.92%

我认为正确分类的实例显示了朴素贝叶斯的准确性，并且无论测试集中推文的标签如何，它都应该是相同的。是我的数据有问题还是我没有正确理解正确分类实例的含义？

非常感谢您抽出时间，

南田

Answer 1

根据您的培训集，69.92%的实例被归类为阳性。如果测试集的标签（即正确答案）表明它们都是阳性的，则正确率为69.92%。如果测试集（以及分类）是相同的，但您切换了正确的答案，那么正确的百分比当然也会相反。

请记住，为了评估分类器，您需要测试集的真实标签。否则您无法将分类器的答案与真实答案进行比较。在我看来，您可能误解了这一点。如果您想要的话，您可以获取未看到数据的标签，但在这种情况下，您无法评估分类器的准确性。

Answer 2

测试集上的标签应该是实际正确的分类。通过要求分类器对测试集中每个实例的分类给出最佳猜测来计算性能。然后将预测的分类与实际分类进行比较，以确定准确性。因此，如果您翻转所给的“正确”值，结果也将被翻转。