Primero, tenga en cuenta que hay dos tipos de error:
– el error de marcar incorrectamente un ejemplo positivo como negativo (FN)
– el error de marcar incorrectamente un ejemplo negativo como positivo (FP)
La tasa de error se puede definir como (# FP + # FN) / # de muestras. Esencialmente, es la proporción de instancias que fueron mal clasificadas.
Tenga en cuenta que esta no es una buena medida de precisión para problemas en los que el costo es diferente para un tipo de error en comparación con otro (por ejemplo, en el diagnóstico médico, donde generalmente es mejor tener un falso positivo que un falso negativo).
- ¿Cuál es la ventaja de combinar la red neuronal convolucional (CNN) y la red neuronal recurrente (RNN)?
- Cómo construir una aplicación web con capacidades de aprendizaje automático
- Aprendizaje automático: ¿Puede alguien que es horrible en los concursos de kaggle seguir siendo bueno como científico de datos?
- Árboles de decisión: ¿Cómo podar un CARRITO?
- ¿Cuántas horas le tomaría a un analista de datos profesional revisar los datos simples de la compañía y construir un modelo para predecir el desgaste?
Edite para abordar los puntos en el comentario de Martin:
En el caso de varias clases, la tasa de error no es más que # de instancias mal clasificadas / # de muestras. Tenga en cuenta que este número está entre 0 y 1. Si supone que el conjunto de prueba está compuesto por observaciones iid, este número es una estimación consistente de la probabilidad de clasificar incorrectamente una muestra.