„True“ und „false“ positive und negative Vorhersagen

Es ist wichtig, diese Definitionen zu verstehen, da sie einen wichtigen Teil bei der Erklärung anderer grundlegender Machine Learning-Konzepte wie Präzision und Rückruf sind.

Die folgenden Definitionen werden im Kontext ihrer Anwendung innerhalb der Plattform erläutert.

Beginnen mit:

• Bei einer „positiven“ Vorhersage denkt das Modell, dass eine Beschriftung für eine Nachricht gilt
• Bei einer „negativen“ Vorhersage denkt das Modell, dass eine Beschriftung nicht für eine Nachricht gilt

Richtig positiv

Ein wirklich positives Ergebnis ist eines, bei dem das Modell korrekt vorhersagt, dass eine Beschriftung für eine Nachricht gilt.

Echte Negative

Bei einem wirklich negativen Ergebnis sagt das Modell korrekt vorher, dass eine Beschriftung nicht auf eine Nachricht zutrifft.

Falsch positiv

Ein falsch positives Ergebnis ist eines, bei dem das Modell fälschlicherweise vorhersagt, dass eine Beschriftung für eine Nachricht gilt, obwohl dies nicht zutrifft.

Falsch negative Ergebnisse

Bei einem falsch negativen Ergebnis sagt das Modell fälschlicherweise vorher, dass eine Beschriftung nicht für eine Nachricht zutrifft, obwohl sie tatsächlich zutrifft.

Um jedes dieser Konzepte genauer zu verstehen, finden Sie hier weitere Informationen.