机器学习中的分类错误率：定义和示例

在机器学习中，错误分类率是一个指标，它告诉我们分类模型错误预测的观测值的百分比。

计算方法如下：

错误分类率 = # 错误预测 / # 总预测

错误分类率的值可以在 0 到 1 之间变化，其中：

• 0表示模型没有错误的预测。
• 1代表预测完全错误的模型。

误分类率的值越低，分类模型能够更好地预测响应变量的结果。

以下示例展示了如何在实践中计算逻辑回归模型的分类错误率。

示例：计算逻辑回归模型的分类错误率

假设我们使用逻辑回归模型来预测 400 名不同的大学篮球运动员是否会被选入 NBA。

以下混淆矩阵总结了模型所做的预测：

以下是计算模型分类错误率的方法：

• 错误分类率 = # 错误预测 / # 总预测
• 分类错误率 =（误报 + 漏报）/（总预测）
• 误分类率 = (70 + 40) / (400)
• 误分类率 = 0.275

该模型的分类错误率为 0.275 或27.5% 。

这意味着该模型错误地预测了27.5%玩家的结果。

与分类错误率相反的是准确率，其计算公式如下：

• 准确率 = 1 – 分类错误率
• 准确度 = 1 – 0.275
• 准确度 = 0.725

这意味着该模型正确预测了72.5%玩家的结果。

误分类率的优缺点

错误分类率具有以下好处：

• 这很容易解释。 10% 的分类错误率意味着模型对总观测值的 10% 做出了错误的预测。
• 很容易计算。错误分类率的计算方式为错误预测总数除以预测总数。

然而，分类错误率有以下缺点：

• 这没有考虑数据的分布方式。例如，我们假设 90% 的球员没有被选入 NBA。如果我们有一个模型简单地预测每个球员都会落选，那么该模型的分类错误率仅为 10%。这看起来很低，但该模型实际上无法正确预测将被选中的球员。

在实践中，我们经常使用其他指标来计算模型的分类错误率，例如：

• 灵敏度：“真阳性率”——模型能够检测到的阳性结果的百分比。
• 特异性：“真阴性率”——模型能够检测到的阴性结果的百分比。
• F1 分数：告诉我们模型相对于数据分布方式的准确程度的指标。

通过计算每个指标的值，我们可以充分了解模型的预测能力。

其他资源

以下教程提供了有关常见机器学习概念的更多信息：

逻辑回归简介
什么是平衡精度？
F1 分数与准确度：您应该使用哪个？