ixp
latest
false

Communications Mining 用户指南
上次更新日期 2025年10月6日
精度用于衡量模型做出的正确预测的比例。这意味着它会识别模型做出的所有正面预测中属于真正面预测的比例。
精度 = 真例 /(真例 +误报)
例如,对于数据集中每 100 条预测为具有“请求信息”标签的消息,精度指的是正确预测“信息请求”标签的次数占总预测次数的百分比。
95% 的精度意味着每 100 条预测为具有特定标签的消息,其中 95 条会被正确标注,而 5 条会被错误地标注,这意味着它们不应该使用该标签进行标注。
有关精度工作原理的更详细说明,请查看精度和召回率的说明。
MAP是衡量模型整体性能的最有用方法之一,也是相互比较不同模型版本的简便方法。
MAP分数取分类中每个标签的平均精度分数的平均值,该标签在“验证”使用的训练集中至少包含 20 个示例。
通常,MAP 分数越高,模型的整体性能就越好,但这不是在了解模型运行状况时应考虑的唯一因素。同样重要的是要知道您的模型是无偏倚且具有高覆盖率。