第一次预测的精确度、F分数和召回率较高
我已经打印了我的二元类SVM模型预测的分类报告，但是第一次预测的得分很高（超过95%），我知道打印高值是好的，但是之后我需要进行特征选择，你认为这正常吗？什么样的特征选择适合于二值分类？
共有1个答案
你觉得这正常吗？
这取决于你的数据。如果你的数据是完全线性可分离的，那么几乎所有线性分类器都会表现良好。
如果所有的精确性、召回率和F分数都很高，并且对你来说足够高，那么也许你不必再进一步了。
您可以看到特征的重要性，然后可以阅读这篇文章：确定sklearn中支持向量机分类器最重要的特征
如果使用另一种算法，特征的重要性可能会略有不同。
-
问题内容： 我正在使用Python，并且有一些混淆矩阵。我想通过多类分类中的混淆矩阵来计算精度，召回率和f测度。我的结果日志不包含和，仅包含混淆矩阵。 您能否告诉我如何从多类别分类的混淆矩阵中获得这些分数？ 问题答案： 让我们考虑MNIST数据分类（10个类）的情况，对于10,000个样本的测试集，我们得到以下混淆矩阵（Numpy数组）： 为了获得精度和召回率（ 每类 ），我们需要计算 每类 的T
-
有了召回率和准去率这俩个评价指标后，不就非常好了，为什么要有F值这个评价量的存在呢？ 我们在评价的时候，当然是希望检索结果Precision越高越好，同时Recall也越高越好，但事实上这两者在某些情况下有矛盾的。 比如极端情况下，我们只搜索出了一个结果，那么Precision就是100%，但是Recall为1/6就很低；而如果我们抽取10个，那么比如Recall是100%，但是Precision为6/10，相对来说就会比较低。
-
本文向大家介绍分类问题的指标？准确度、召回率、PR曲线？相关面试题，主要包含被问及分类问题的指标？准确度、召回率、PR曲线？时的应答技巧和注意事项，需要的朋友参考一下 在数据不平衡时，PR曲线是敏感的，随着正负样本比例的变化，PR会发生强烈的变化。而ROC曲线是不敏感的，其曲线能够基本保持不变。
-
问题内容： 我正在研究情绪分析问题，数据看起来像这样： 所以，我的数据是不平衡的，因为1190标有。对于使用scikit的SVC进行的分类Im 。问题是我不知道如何以正确的方式平衡我的数据，以便准确地计算多类案例的精度，召回率，准确性和f1得分。因此，我尝试了以下方法： 第一： 第二： 第三： 但是，我收到这样的警告： 如何正确处理我的不平衡数据，以便以正确的方式计算分类器的指标？ 问题答案： 我
-
我使用TensorFlow和数据集实现了一个logistic回归模型。我想出了如何使用以下代码获得学习算法的总精度... 这工作良好，打印精度为91%。现在我正在恢复模型，并将单个图像传递到模型中以进行预测。我传递了一张数字7的图片，，它正确地预测了它->... 现在我想要得到这个预测的准确性与模型的关系，但我不确定如何继续，我尝试了以下显然不起作用的...
-
原始数据集中正负类不平衡比为1：10，采用过采样的方式处理过，也利用了分层交叉验证、网格搜素调参，最后模型训练精确率为92%，召回率只有69%。如何能提高呢？（特征选择使用卡方检验和随机森林算法进行筛选特征）
-
我有一些机器学习的结果，我正试图弄明白。任务是预测/标记“爱尔兰人”与“非爱尔兰人”。Python 2.7的输出： 如您所见，准确率和召回率一般，但AUC-ROC较高（~0.90）。我试图找出原因，我怀疑这是由于数据不平衡（大约1:5）。基于混淆矩阵，并使用Irish作为目标（），我计算了TPR=0.51和FPR=0.04。如果我将非爱尔兰人视为（），那么TPR=0.96，FPR=0.49。那么，
-
刚从ML开始，创建了我的第一个CNN来检测人脸图像的方位。我得到的训练和测试精度高达约96-99%超过2组不同的1000张图片(128x128RGB)。然而，当我自行从测试集中预测一个图像时，模型很少预测正确。我认为在测试和预测期间，我将数据加载到模型中的方式肯定有区别。下面是我如何将数据加载到模型中进行训练和测试： 下面是我如何加载图像来进行预测： ImageDataGenerator处理图像的