علم داده به زبان ساده – بررسی معیارهای سنجش دستهبندی – بخش دوم - https://is.gd/lhY1di
آموزش و راهنمایی, علم داده
, #AUC, #ROC, #بازخوانی, #دقت, #سطح_زیر_نمودار, #صحت, #معیارهای_ارزیابی_مدل
در مقاله قبلی به تشریح ماتریس پراکنش (Confusion Matrix) و نیز بررسی دو معیار مهم در سنجش کارآیی مدلهای دستهبندی یعنی معیار صحت (Precision) و بازخوانی (Recall) و نهایتا معیار ترکیبی F1-Score که میانگین هارمونیک این دو معیار است، پرداختیم و بیان شد که هدف اصلی ما در یافتن یک مدل دستهبندی افزایش ...
آموزش و راهنمایی, علم داده
, #AUC, #ROC, #بازخوانی, #دقت, #سطح_زیر_نمودار, #صحت, #معیارهای_ارزیابی_مدل
در مقاله قبلی به تشریح ماتریس پراکنش (Confusion Matrix) و نیز بررسی دو معیار مهم در سنجش کارآیی مدلهای دستهبندی یعنی معیار صحت (Precision) و بازخوانی (Recall) و نهایتا معیار ترکیبی F1-Score که میانگین هارمونیک این دو معیار است، پرداختیم و بیان شد که هدف اصلی ما در یافتن یک مدل دستهبندی افزایش ...
مهندسی داده
علم داده به زبان ساده – بررسی معیارهای سنجش دستهبندی – بخش دوم | مهندسی داده
در مقاله قبلی به تشریح ماتریس پراکنش (Confusion Matrix) و نیز بررسی دو معیار مهم در سنجش کارآیی مدلهای دستهبندی یعنی معیار صحت (Precision) و بازخوانی (Recall) و نهایتا معیار ترکیبی F1-Score که میانگین هارمونیک این دو معیار است، پرداختیم و بیان شد که هدف…