Почему KNN имеет низкую точность, но высокую точность?

Я классифицировал набор данных 20NG с помощью k-nn с 200 экземплярами в каждой категории с разделением тестов поездов 80-20, где я нашел следующие результаты.

введите здесь описание изображения

Здесь точность довольно низкая, но насколько высока точность, если точность настолько низкая? разве это не формулы точности TP/(TP + FP)? Если да, то высокоточный классификатор должен генерировать высокое истинное положительное значение, что приведет к высокой точности, но как K-nn генерирует высокую точность со слишком меньшей истинной положительной скоростью?


machine-learning text-classification nearest-neighbor weka
person Kashif Khan    schedule 04.02.2014    source источник
comment
Не могли бы вы выбрать более информативное название для вопроса? Это поможет другим найти его.   -  person Sentry    schedule 05.02.2014
comment
@Sentry, спасибо за предложение, я согласен, что иногда я выбираю заголовок, который действительно неоднозначен, однако я отредактировал его, чтобы сделать его более актуальным для проблемы.   -  person Kashif Khan    schedule 06.02.2014
comment
Так намного лучше, спасибо. Теперь другим людям будет проще, и вы сможете получить больше голосов и ответов :)   -  person Sentry    schedule 06.02.2014

Ответы (1)


arrow_upward
2
arrow_downward

Отзыв эквивалентен истинному положительному показателю. Задачи классификации текста (особенно поиск информации, но также и категоризация текста) показывают компромисс между полнотой и точностью. Когда точность очень высока, отзыв имеет тенденцию быть низким, и наоборот. Это связано с тем, что вы можете настроить классификатор, чтобы классифицировать больше или меньше экземпляров как положительные. Чем меньше случаев вы классифицируете как положительные, тем выше точность и ниже отзыв.

Чтобы убедиться, что мера эффективности коррелирует с точностью, вам следует сосредоточиться на F-мере, которая усредняет полноту и точность (F-мера = 2*r*p / (r+p)).

Неленивые классификаторы следуют процессу обучения, в котором они пытаются оптимизировать точность или ошибку. K-NN, будучи ленивым, не имеет тренировочного процесса и, как следствие, не пытается оптимизировать какие-либо меры эффективности. Вы можете играть с различными значениями K, и интуитивно понятно, что чем больше K, тем выше отзыв и ниже точность, и наоборот.

person Jose Maria Gomez Hidalgo    schedule 04.02.2014