Cómo calcular la precisión y recuperar valores para un conjunto de datos

Answer 1

Supongamos que estamos evaluando la exactitud de la clasificación de sus predicciones de clase en comparación con las etiquetas de evaluación en una configuración de clase binaria.

Número de muestras = 10
Predicción real
+ +
+ –
+ –
+ +
+ +
– +
– –
– –
– +
– +

Ahora, necesitamos calcular los verdaderos positivos para las clases.
TP + = Número de positivos que se pronostican correctamente (predicho = real = positivo). Hay 6 predicciones positivas y de ellas 3 son correctas. Entonces TP + = 3.

TP- = Número de negativos que se pronostican correctamente (predicho = real = negativo). Hay 4 predicciones negativas y de ellas 2 son correctas, entonces TP- = 2.

Calculemos los falsos positivos para las clases ahora.
FP + = Número de positivos pronosticados que son incorrectos. Hay 6 positivos pronosticados y de ellos 3 son incorrectos, por lo que FP + = 3
FP- = Número de negativos pronosticados que son incorrectos. Hay 4 negativos pronosticados y, de ellos, 2 son incorrectos, entonces FP- = 2

Ahora la precisión se define como TP / (TP + FP)
Precisión + = TP + / (TP_pos + FP_pos) = 3 / (3 + 3) = 0.5 = 50%
Precisión- = TP – / (TP_neg + FP_neg) = 2 / (2 + 2) = 0.5 = 50%

Ahora no calculemos los falsos negativos.
FN + = Número de positivos que están clasificados incorrectamente. Aquí hay 2 positivos que están clasificados incorrectamente.
Igualmente FN- = Número de negativos que están clasificados incorrectamente. Aquí hay 3 negativos que están clasificados incorrectamente.

Ahora Recall = TP / (TP + FN)
Recordar + = 3 / (3 + 2) = 0.6 = 60%
Recall- = 2 / (2 + 3) = 0.4 = 40%

Puede encontrar Precisión y recordar útil para conocer métricas relevantes.

Answer 2

Puede utilizar el software de minería Weka-Data. Alimenta tus conjuntos de datos a weka, dará resultados.
@Data Mining con software de aprendizaje de código abierto de máquina en Java

Pues bien, la fórmula de precisión y recuerdo son:

precisión = TP / TP + FP
Recuperación o sensibilidad o tasa de TP = TP / TP + FN
TP significa Verdadero Positivo
FP significa Falso Positivo
FN significa Falso Negativo

Si tiene alguna duda al respecto, por favor pregunte. 🙂

Answer 3

La pregunta no está enmarcada correctamente. No encuentras precisión y recuperación para un conjunto de datos, sino para un algoritmo.