W przypadku obu metryk im wy\u017csza warto\u015b\u0107, tym model ma wi\u0119ksz\u0105 zdolno\u015b\u0107 klasyfikowania obserwacji w klasy.<\/span><\/p>\n Jednak ka\u017cdy wska\u017anik jest obliczany przy u\u017cyciu innego wzoru, a jego stosowanie ma zalety i wady.<\/span><\/p>\n Poni\u017cszy przyk\u0142ad pokazuje, jak w praktyce obliczy\u0107 ka\u017cd\u0105 metryk\u0119.<\/span><\/p>\n Za\u0142\u00f3\u017cmy, \u017ce u\u017cywamy modelu regresji logistycznej do przewidzenia, czy 400 r\u00f3\u017cnych koszykarzy z college’u zostanie powo\u0142anych do NBA.<\/span><\/p>\n Poni\u017csza macierz zamieszania podsumowuje przewidywania dokonane przez model:<\/span> <\/p>\n Oto jak obliczy\u0107 r\u00f3\u017cne metryki macierzy zamieszania:<\/span><\/p>\n Dok\u0142adno\u015b\u0107:<\/strong> popraw pozytywne przewidywania w stosunku do ca\u0142kowitych pozytywnych przewidywa\u0144<\/span><\/p>\n Przypomnienie:<\/strong> Poprawiaj pozytywne prognozy w por\u00f3wnaniu z ca\u0142kowit\u0105 liczb\u0105 rzeczywistych wynik\u00f3w pozytywnych<\/span><\/p>\n Dok\u0142adno\u015b\u0107:<\/strong> procent wszystkich poprawnie sklasyfikowanych obserwacji<\/span><\/p>\n Wynik F1:<\/strong> \u015brednia harmoniczna precyzji i zapami\u0119tywania<\/span><\/p>\n Istniej\u0105 zalety i wady korzystania z wyniku i dok\u0142adno\u015bci F1.<\/span><\/p>\n Dok\u0142adno\u015b\u0107<\/strong> :<\/span><\/p>\n Zaleta<\/strong> : \u0141atwe do interpretacji. Je\u015bli m\u00f3wimy, \u017ce model jest dok\u0142adny w 90%, to wiemy, \u017ce poprawnie sklasyfikowa\u0142 90% obserwacji.<\/span><\/p>\n Wada<\/strong> : nie uwzgl\u0119dnia sposobu dystrybucji danych. Za\u0142\u00f3\u017cmy na przyk\u0142ad, \u017ce 90% wszystkich graczy nie jest powo\u0142anych do NBA. Gdyby\u015bmy mieli model, kt\u00f3ry po prostu przewidywa\u0142, \u017ce ka\u017cdy gracz nie zostanie wybrany do draftu, model ten poprawnie przewidzia\u0142by wynik dla 90% graczy. Warto\u015b\u0107 ta wydaje si\u0119 wysoka, jednak w rzeczywisto\u015bci model nie jest w stanie poprawnie przewidzie\u0107, kt\u00f3rzy gracze zostan\u0105 powo\u0142ani do draftu.<\/span><\/p>\n Wyniki F1<\/strong> :<\/span><\/p>\n Pro<\/strong> : We\u017a pod uwag\u0119 spos\u00f3b dystrybucji danych. Na przyk\u0142ad, je\u015bli dane s\u0105 bardzo niezr\u00f3wnowa\u017cone (np. 90% wszystkich graczy nie zosta\u0142o wybranych do draftu, a 10% tak), w\u00f3wczas wynik F1 zapewni lepsz\u0105 ocen\u0119 wydajno\u015bci modelu.<\/span><\/p>\n Wada<\/strong> : Trudniejsza do interpretacji. Wynik F1 to po\u0142\u0105czenie precyzji i zapami\u0119tywania modelu, co czyni go nieco trudniejszym do interpretacji.<\/span><\/p>\n Og\u00f3lnie:<\/span><\/p>\n Cz\u0119sto u\u017cywamy dok\u0142adno\u015bci<\/strong> , gdy klasy s\u0105 zr\u00f3wnowa\u017cone i nie ma wi\u0119kszych wad w przewidywaniu fa\u0142szywych negatyw\u00f3w.<\/span><\/p>\n Cz\u0119sto u\u017cywamy wyniku F1,<\/strong> gdy klasy s\u0105 niezr\u00f3wnowa\u017cone, a przewidywanie fa\u0142szywych negatyw\u00f3w ma powa\u017cn\u0105 wad\u0119.<\/span><\/p>\n Na przyk\u0142ad, je\u015bli u\u017cyjemy modelu regresji logistycznej do przewidzenia, czy dana osoba ma raka, czy nie, wyniki fa\u0142szywie negatywne s\u0105 naprawd\u0119 z\u0142e (np. przewidywanie, \u017ce dana osoba nie ma raka, podczas gdy w rzeczywisto\u015bci ma a), zatem wynik F1 b\u0119dzie kara\u0107 modele, kt\u00f3re maj\u0105 zbyt wiele fa\u0142szywych negatyw\u00f3w. wi\u0119cej ni\u017c precyzja.<\/span><\/p>\n Regresja vs. klasyfikacja: jaka jest r\u00f3\u017cnica?<\/a> Podczas korzystania z modeli klasyfikacyjnych w uczeniu maszynowym cz\u0119sto u\u017cywamy dw\u00f3ch wska\u017anik\u00f3w do oceny jako\u015bci modelu: wyniku F1 i dok\u0142adno\u015bci . W przypadku obu metryk im wy\u017csza warto\u015b\u0107, tym model ma wi\u0119ksz\u0105 zdolno\u015b\u0107 klasyfikowania obserwacji w klasy. Jednak ka\u017cdy wska\u017anik jest obliczany przy u\u017cyciu innego wzoru, a jego stosowanie ma zalety i wady. Poni\u017cszy przyk\u0142ad […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-2162","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n Przyk\u0142ad: Obliczanie wyniku i dok\u0142adno\u015bci F1<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/\u1405-\u1405-\u1405.png\")
<\/p>\n\n
\n
\n
\n
Kiedy stosowa\u0107 wynik F1 a dok\u0142adno\u015b\u0107<\/strong><\/span><\/h3>\n
Dodatkowe zasoby<\/strong><\/span><\/h3>\n
Wprowadzenie do regresji logistycznej<\/a>
Jak przeprowadzi\u0107 regresj\u0119 logistyczn\u0105 w R
Jak przeprowadzi\u0107 regresj\u0119 logistyczn\u0105 w Pythonie<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"