測試分類器的正確率

對於分類器來說，錯誤率就是分類器給出的錯誤結果的次數初一測試資料的總數。完美分類器的錯誤率為0，錯誤率為1的分類器不會給出任何正確的結果。測試函式為：

horatio = 0.10

#測試資料佔總資料的百分比

datingdatamat, datinglabels = file2matrix('datingtestset2.txt') #將文字資訊轉成numpy格式

#datingdatamat為資料集，datinglabels為標籤集

normmat, ranges, minvals = autonorm(datingdatamat) #將datingdatamat資料歸一化

#normmat為歸一化資料特徵值，ranges為特徵最大值-最小值，minvals為最小值

m = normmat.shape[0] #取normmat的行數

numtestvecs = int(m*horatio) #測試資料的行數

errorcount = 0.0

#錯誤資料數量

for i in range(numtestvecs):

classifierresult = classify0(normmat[i,:], normmat[numtestvecs:m, :], datinglabels[numtestvecs:m], 3)

#classify0為knn分類器，normmat為用於分類的輸入向量，normmat為輸入的訓練樣本集（剩餘的90%）

#datinglabels為訓練標籤，3表示用於選擇最近鄰居的數目

print("the classifier came back with: %d, the real answer is: %d" %(classifierresult, datinglabels[i]))

if (classifierresult != datinglabels[i]):errorcount += 1.0

#分類器結果和原標籤不一樣，則errorcount加1

print("the total error rate is : %f" %(errorcount/float(numtestvecs)))

datingclasstest()

>>

the classifier came back

with: 3, the

real answer is: 3

the classifier came back

with: 2, the

real answer is: 2..

.the classifier came back

with: 1, the

real answer is: 1

the classifier came back

with: 3, the

real answer is: 1

the total error rate is : 0.050000

可以通過設定horatio以及classify0中最近鄰的值來調整分類器，得到更加精確的結果。

招回率和正確率

召回率和準確率是資料探勘中 網際網路中的搜尋引擎等經常涉及的兩個概念和指標。召回率 recall，又稱 查全率 還是查全率好記，也更能體現其實質意義。準確率 precision，又稱 精度 正確率 以檢索為例，可以把搜尋情況用下圖表示 相關 不相關 檢索到 a b 未檢索到 c d a 檢索到的，相...

召回率與正確率

在機器學習 推薦系統等現實的情形中，我們往往會在不同的時候關注結果的不同部分，而召回率與正確率恰恰是對結果在不同側面的度量。召回率 召回率的設計目的是度量輸出結果中包含ground truth的量的多少。舉個例子，一天我和章小賤去逛漫展，拍了好多 這裡假設400張吧 然後讓章小賤找出我們倆拍了 的c...

正確率 召回率 F值

正確率 正確識別的個體總數 識別出的個體總數 召回率 正確識別的個體總數 測試集中存在的個體總數 f值 正確率 召回率 2 正確率 召回率 不妨舉這樣乙個例子 某池塘有1400條鯉魚，300只蝦，300只鱉。現在以捕鯉魚為目的。seaeagle撒一大網，逮著了700條鯉魚，200只蝦，100只鱉。那...