El cuadro muestra el equilibrio entre las tasas de falsos positivos (que desea lo más bajo posible) y las tasas de verdadero positivo (que desea lo más alto posible). Por ejemplo, sugiere que puede establecer el umbral para obtener aproximadamente 40% de falsos positivos y 60% de verdaderos positivos.
Supongamos, por ejemplo, que su problema es predecir si alguien tiene cáncer de próstata en función de un puntaje de análisis de sangre de PSA. Puede establecer el límite de tal manera que el 40% de las personas sin cáncer de próstata obtuvieron un resultado positivo (lo que significa que pronosticó que tienen cáncer), mientras que el 60% de las personas con cáncer de próstata obtuvieron un resultado positivo.
Si desea atrapar a más personas con cáncer de próstata, debe aceptar una tasa de falsos positivos más alta. Por ejemplo, parece que podría atrapar al 85% de las personas con cáncer al aceptar resultados positivos para el 65% de las personas que no tienen cáncer. Dependiendo de su aplicación, eso podría ser mejor o peor. O podría ir en la otra dirección y tener una tasa de falsos positivos muy baja, pero solo atraparía a aproximadamente el 15% de las personas con cáncer.
- ¿Qué se entiende exactamente por pesos compartidos en una red neuronal convolucional?
- ¿Cuáles son las formas previas para el reconocimiento en visión artificial?
- Tengo un conjunto de datos con 14 características. Quiero aplicar SVM en él usando R. ¿Cómo puedo?
- ¿Cómo se puede comparar Big data con Machine Learning?
- ¿De dónde obtienen los sistemas de conducción autónomos sus datos de entrenamiento?
