對多類分類的Java-ML結果的解釋

我對分類準確性的理解始終是「＃正確分類的實例除以＃物質」。使用Java-ML並將LibSVM應用於多標籤問題我爲每個CLASS獲得準確度（和其他度量）。我無法弄清楚它們是如何相關的以及整體準確度如何。對多類分類的Java-ML結果的解釋

例如，對於我的3類問題，我得到的結果如下：

Anger: Accuracy = 0.48148148148148145 | F = 0.35 | Precision = 0.310126582278481 | Error rate = 0.5185185185185185 
Neutral: Accuracy = 0.9971509971509972 | F = 0.0 | Precision = NaN | Error rate = 0.002849002849002849 
Surprise: Accuracy = 0.47863247863247865 | F = 0.5653206650831354 | Precision = 0.616580310880829 | Error rate = 0.5213675213675214

我的哪些代碼如下所示：

Map<Object, PerformanceMeasure> pm = cv.crossValidation(data, 5); 
for (Object o : pm.keySet()) { 
       System.out.println(o + ": Accuracy = " + pm.get(o).getAccuracy() 
         + " | F = " + pm.get(o).getFMeasure() 
         + " | Precision = " + pm.get(o).getPrecision() 
         + " | Error rate = " + pm.get(o).getErrorRate()); 
}

來源

2015-06-09 pscl

的整體精度不在於信息是否有是不是一個類的均勻分佈，這可能是你的情況。你仍然可以計算一個雖然如果你想要的，請參閱： http://spokenlanguageprocessing.blogspot.com/2011/12/evaluating-multi-class-classification.html

要回答你的關於它們是如何相關的其他問題，結果是按班級計算。所以對於中性（情緒？），你有很高的準確性（超過99％），儘管你沒有預測到一箇中性的例子（因此你的數據集中可能沒有任何NaN）。你的準確性正在提高，因爲你稱之爲「不中立」的所有其他事物，並且有很多這樣的情況。其他案例更容易理解，因爲它們有正面和負面的例子和更合理的數字。希望這可以幫助。

來源

2015-06-09 15:55:32 ozborn

對多類分類的Java-ML結果的解釋

回答

相關問題