„True“ und „false“ positive und negative Vorhersagen

Es ist wichtig, diese Definitionen zu verstehen, da sie einen wichtigen Bestandteil der Erklärung anderer grundlegender Machine Learning-Konzepte (ML) wie Präzision und Erinnerung bilden .

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

• 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.

True positives Ergebnis – Ein wirklich positives Ergebnis ist eines, bei dem das Modell korrekt vorhersagt, dass eine Beschriftung auf eine Nachricht zutrifft.

True-Negative – Ein True-Negativ-Ergebnis ist eines, bei dem das Modell korrekt vorhersagt, dass eine Beschriftung nicht für eine Nachricht gilt.

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

Falsch negative Ergebnisse – Ein falsch negatives Ergebnis ist eines, bei dem das Modell fälschlicherweise vorhersagt, dass eine Beschriftung nicht für eine Nachricht gilt, obwohl sie tatsächlich zutrifft.

Um jedes dieser Konzepte genauer zu verstehen, lesen Sie Erklärung von Genauigkeit und Rückruf.