数据挖掘实训 Week 1
发布时间
阅读量：
阅读量
理论学习
-
混淆矩阵（Confuse Matrix）
- 若一个实例是正类，并且被预测为正类，即为真正类TP(True Positive )
- 若一个实例是正类，但是被预测为负类，即为假负类FN(False Negative )
- 若一个实例是负类，但是被预测为正类，即为假正类FP(False Positive )
- 若一个实例是负类，并且被预测为负类，即为真负类TN(True Negative )
-
ROC（Receiver Operating Characteristic）
ROC空间将假正例率（FPR）定义为 X 轴，真正例率（TPR）定义为 Y 轴。
TPR：在所有实际为正例的样本中，被正确地判断为正例之比率。 TPR = \frac{TP}{TP + FN} FPR：在所有实际为负例的样本中，被错误地判断为正例之比率。 FPR = \frac{FP}{FP + TN} -
AUC（Area Under Curve）
AUC被定义为 ROC曲线 下与坐标轴围成的面积，显然这个面积的数值不会大于1。又由于ROC曲线一般都处于y=x这条直线的上方，所以AUC的取值范围在0.5和1之间。AUC越接近1.0，检测方法真实性越高;等于0.5时，则真实性最低，无应用价值。
实践
- 实践了baseline方案的数据预处理环节
全部评论 (0)
还没有任何评论哟~