Het wordt als volgt berekend:<\/span><\/p>\n Evenwichtige nauwkeurigheid<\/strong> = (gevoeligheid + specificiteit) \/ 2<\/span><\/p>\n Goud:<\/span><\/p>\n Deze metriek is vooral handig wanneer de twee klassen niet in evenwicht zijn, dat wil zeggen dat de ene klasse veel meer voorkomt dan de andere.<\/span><\/p>\n Het volgende voorbeeld laat zien hoe u de gebalanceerde nauwkeurigheid in de praktijk kunt berekenen en laat zien waarom dit zo’n nuttige metriek is.<\/span><\/p>\n Stel dat een sportanalist een logistisch regressiemodel<\/a> gebruikt om te voorspellen of 400 verschillende universiteitsbasketbalspelers wel of niet zullen worden opgeroepen voor de NBA.<\/span><\/p>\n De volgende verwarringsmatrix vat de voorspellingen van het model samen:<\/span> <\/p>\n Om de evenwichtige nauwkeurigheid van het model te berekenen, berekenen we eerst de gevoeligheid en specificiteit:<\/span><\/p>\n We kunnen de gebalanceerde precisie dan als volgt berekenen:<\/span><\/p>\n De gebalanceerde nauwkeurigheid van het model blijkt 0,8684<\/strong> te zijn.<\/span><\/p>\n Merk op dat hoe dichter de uitgebalanceerde precisie bij 1 ligt, hoe beter het model waarnemingen correct kan classificeren.<\/span><\/p>\n In dit voorbeeld is de gebalanceerde nauwkeurigheid vrij hoog, wat ons vertelt dat het logistieke regressiemodel heel goed kan voorspellen of universiteitsspelers wel of niet zullen worden opgeroepen voor de NBA.<\/span><\/p>\n In dit scenario geeft de gebalanceerde nauwkeurigheid ons een realistischer beeld van de modelprestaties, omdat de klassen erg onevenwichtig zijn (20 spelers waren opgesteld en 380 spelers niet).<\/span><\/p>\n We zouden de modelnauwkeurigheid bijvoorbeeld als volgt berekenen:<\/span><\/p>\n De nauwkeurigheid van het model is 0,975<\/strong> , wat extreem hoog lijkt.<\/span><\/p>\n Overweeg echter een model dat eenvoudigweg voorspelt dat elke speler niet wordt opgesteld. Het zou een nauwkeurigheid hebben van 380\/400 = 0,95<\/strong> . Dit is slechts iets lager dan de nauwkeurigheid van ons model.<\/span><\/p>\n De uitgebalanceerde nauwkeurigheidsscore van 0,8684<\/strong> geeft ons een beter idee van het vermogen van het model om beide klassen te voorspellen.<\/span><\/p>\n Met andere woorden, het geeft ons een beter idee van het vermogen van het model om te voorspellen welke spelers niet zullen worden opgesteld en<\/em> welke niet.<\/span><\/p>\n In de volgende tutorials wordt uitgelegd hoe u een verwarringsmatrix maakt in verschillende statistische software:<\/span><\/p>\n Hoe u een verwarringsmatrix maakt in Excel<\/a> Evenwichtige nauwkeurigheid is een maatstaf die we kunnen gebruiken om de prestaties van een classificatiemodel te evalueren. Het wordt als volgt berekend: Evenwichtige nauwkeurigheid = (gevoeligheid + specificiteit) \/ 2 Goud: Gevoeligheid : het \u201cechte positieve percentage\u201d \u2013 het percentage positieve gevallen dat het model kan detecteren. Specificiteit : Het \u201cechte negatieve percentage\u201d \u2013 het […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"class_list":["post-2271","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n\n
Voorbeeld: Evenwichtige precisie berekenen<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/equilibre1.png\")
<\/p>\n\n
\n
\n
Aanvullende bronnen<\/strong><\/span><\/h3>\n
Hoe maak je een verwarringsmatrix in R<\/a>
Hoe je een verwarringsmatrix cre\u00ebert in Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"