计算Logistic回归分类器的精度、召回率和F度量
是评估分类器性能的重要指标。下面是对这些指标的解释和计算方法：
- 精度（Accuracy）：精度是分类器正确预测的样本数占总样本数的比例。精度越高，表示分类器的预测结果与实际结果一致性越高。 计算公式：精度 = (真阳性 + 真阴性) / (真阳性 + 假阳性 + 真阴性 + 假阴性)
- 召回率（Recall）：召回率也称为灵敏度（Sensitivity）或真正例率（True Positive Rate），指分类器正确预测为正例的样本数占实际正例样本数的比例。召回率衡量了分类器对正例的识别能力。 计算公式：召回率 = 真阳性 / (真阳性 + 假阴性)
- F度量（F-measure）：F度量是精度和召回率的加权调和平均值，用于综合评估分类器的性能。F度量综合考虑了分类器的准确性和召回能力。 计算公式：F度量 = 2 * (精度 * 召回率) / (精度 + 召回率)
在实际应用中，精度、召回率和F度量的选择取决于具体的业务需求。如果更关注分类器的准确性，可以重点关注精度；如果更关注分类器对正例的识别能力，可以重点关注召回率；如果希望综合考虑准确性和召回能力，可以使用F度量。
腾讯云提供了一系列与机器学习和人工智能相关的产品和服务，可以用于计算Logistic回归分类器的精度、召回率和F度量。具体推荐的产品和产品介绍链接如下：
- 机器学习平台（https://cloud.tencent.com/product/tiia）：腾讯云的机器学习平台提供了丰富的机器学习算法和模型训练、部署的功能，可以用于构建和评估Logistic回归分类器。
- 弹性MapReduce（https://cloud.tencent.com/product/emr）：腾讯云的弹性MapReduce服务提供了大数据处理和分析的能力，可以用于处理大规模的数据集，支持并行计算和分布式处理，适用于Logistic回归分类器的性能评估。
请注意，以上推荐的产品仅为示例，实际选择应根据具体需求和场景进行评估。
相关·内容
1回答
是否有可能在Apache中的多类分类问题中找到错误度量(精确和召回)。我正在使用Spark的MlLib中的Logistic回归来构建我的模型，并希望使用错误度量来评估我的模型。
浏览 3提问于2018-07-02得票数 1
我使用sklearn的接口来评估dbscan的结果，根据文档，F-measure是一种分类度量，但dbscan是一种聚类方法。我知道F-度量在理论上可以作为聚类的一种外部评估方法。那么，如何利用它来评估dbscan的结果呢？
浏览 3提问于2016-11-03得票数 0
1回答
我知道机器学习中的精确度和召回率之间的区别。一种是对假阳性进行优化，另一种是对假阴性进行优化。在统计学中，它被称为对类型I或类型II错误的优化。
然而，我很困惑在什么情况下可以得到完全相反的精确度和召回率？比如精度=1和Recall=0？
让我重复一下：
precision = true positives / (true positives + false positives)
recall = true positives / (true positives + false negatives)
这是混淆矩阵
predicted
(+) (-)
浏览 3提问于2017-06-05得票数 1
1回答
我是机器学习的新手，我通过Logistic回归训练了一个用于银行贷款预测的二进制分类器。我用精度评分和jaccard指数两种方法测量了它的准确性。精度分数返回值0.91，而jaccard得分返回值33。为什么jaccard疼痛表现出这么低的价值。(Ik这是一个非常愚蠢的问题，但如果你能帮我的话，那就太好了)
浏览 0提问于2021-09-29得票数 1
1回答
我在学习机器学习理论。我有一个使用多类Logistic回归预测的混淆矩阵。
现在，我已经计算了微观和宏观平均数(精确和召回)。
它们的价值是完全不同的。现在我想知道是哪些因素影响了这一点。在什么情况下，微观和宏观会有很大的不同？
我注意到的是，不同类别的预测的准确性不同。这就是原因吗？还有什么其他因素会导致这种情况呢？
样本混淆矩阵：
我计算的微观宏观平均数：
precision-micro = ~0.7329
recall-micro = ~0,7329
precision-macro = ~0.5910
recall-macro = ~0.6795
浏览 1提问于2021-06-05得票数 0
回答已采纳
我正在计算我最近准备的数据集上现成算法的精度和召回率。
这是一个二进制分类问题，我希望计算我构建的每个分类器的精度、召回率和f-分值。
test_x, test_y, predics, pred_prob,score = CH.buildBinClassifier(data,allAttribs,0.3,50,'logistic')
构建分类器方法基本上是构建分类器，对训练数据进行拟合，并返回test_x(测试数据的特征)、test_y(地面事实标签)、predict(分类器做出的预测)、red_prob( LogisiticRegression.predict_proba方法
浏览 1提问于2016-07-03得票数 5
3回答
我是数据科学的新手，我正在开发一个数据集，大约有213,000行和31列。第31列是我的响应变量，值为0's和1's，这是一个分类问题，数据集不平衡，应用logistic回归后，我得到了99.79%的模型精度，但仅计算0‘和1’的总数量，仍然可以显示出99+%的准确性，因为它正确地将0‘的最大no分类为0’。
此外，混淆矩阵也没有帮助。
我做了一些调查，并学会了在这种情况下使用精确召回。我的问题是，我是否应该在这个数据集上使用逻辑回归？然后使用精确召回？
如果有人能说明我应该采取什么办法，那将真正帮助我向前迈进。
浏览 0提问于2017-03-25得票数 4
回答已采纳
1回答
我有一个大尺寸数据集(1155918，55)的二进制分类问题。
此外，dataset是相当平衡的67%的类0，33%的类别1。
我在测试集中获得73%的测试准确率，auc评分为50 %，一级召回率为0.02，我正在使用logistic回归，并尝试了pycaret的分类算法
📷
浏览 0提问于2022-03-14得票数 1
我们知道，在Logistic回归模型的二元分类中，成功的默认阈值是> 0.5。
我很想知道这个模型的输出，如果成功和失败的预测概率都是0.5的话。有人能澄清我吗？
浏览 5提问于2020-02-25得票数 1
回答已采纳
1回答
我想知道最好的方法是使用ApacheSpark2.4.5和PySpark (Python)评估一个合适的二进制分类模型。我想考虑不同的指标，如准确性，精确性，召回，auc和f1评分。
让我们假设如下：
# pyspark.sql.dataframe.DataFrame in VectorAssembler format containing two columns: target and features
# DataFrame we want to evaluate
df
# Fitted pyspark.ml.tuning.TrainValidationSplitModel (any a
浏览 2提问于2020-03-20得票数 21
1回答
我正在开发一个二元分类不平衡的营销数据集，该数据集有：
是的比率为88:12 (不-不是买的，是买的)
~4300次观测和30个特征(9个数字和21个分类)
我将我的数据分为列车(80%)和测试(20%)集合，然后在列车上使用standard_scalar & SMOTE。SMOTE将训练数据集与1:1的比例设为“No:Yes”。然后，我运行了一个逻辑回归分类器，如下面代码所示，在测试数据上获得了80%的召回分数，而在测试数据上只有21%。
随着SMOTE召回的增加是很大的，但是假阳性率很高(请参考图像中的混淆矩阵)，这是一个问题，因为我们最终会针对许多虚假(不太可能购
浏览 0提问于2019-05-18得票数 0
1回答
因此，我采取N个自举样本和训练N个logistic回归分类器对这些样本。每个分类器给出我在二进制类中的一些概率，然后我平均这些N个概率来得到最终的预测。
我的问题是，如果我取N组回归系数，用它在logistic回归分类器中的平均系数集，并以输出概率作为最终预测，这是否等于取上一段所述的N个概率的平均值？
浏览 1提问于2014-02-13得票数 2
回答已采纳
我有一个回归问题，我想使用logistic回归而不是逻辑分类，因为我的目标变量y是0到1之间的连续变量。然而，在Python中，logistic回归的常见实现似乎完全是逻辑分类。我还看过GLM实现，似乎没有一个实现过sigmoid链接函数。有人能指点我将Python实现的逻辑回归作为回归算法的方向吗？
浏览 4提问于2020-12-12得票数 1
回答已采纳
1回答
精度-召回曲线中的阈值是什么？
、、、、
我知道精确度的概念以及召回的概念。但我发现很难理解“门槛”的概念，它使任何P-R曲线成为可能。
想象一下，我有一个预测癌症复发(是或否)的模型，它使用相关特征上的一些像样的分类算法预测患者的癌症复发。我将我的数据拆分用于训练和测试。假设我使用训练数据训练了模型，并使用测试数据获得了精确度和召回率指标。
但是现在我该如何绘制P-R曲线呢？以什么为基础？我只有两个值，一个精确度和一个召回率。我读到“阈值”可以让你得到几个精确度-召回率对。但是这个门槛是什么呢？我还是一个初学者，我不能理解门槛的概念。
我在许多分类模型比较中都看到了类似下面的一个。但是他们是如何获得这么多对的呢？
浏览 7提问于2017-09-15得票数 29
回答已采纳
2回答
我对机器学习完全陌生，我正在尝试使用scikit--学着用一个输入变量(X)和一个二进制结果(Y)建立一个简单的logistic回归模型。我的数据包括325个样本，其中39个成功，286个失败。数据分成训练和测试组(30%)。
我的目标实际上是根据我的数据获得任何给定X的预测成功概率，而不是分类预测本身。也就是说，我将把预测的概率用于我正在构建的单独的模型中，而不会使用logistic回归作为分类器。因此，重要的是，预测的概率实际上符合数据。
然而，我很难理解我的模型是否适合这些数据，或者计算出的概率是否真的准确。
我得到了以下指标：
分类精度: metrics.accuracy_scor
浏览 5提问于2017-09-24得票数 1
回答已采纳
1回答
我正在执行钓鱼URL分类，我正在比较平衡的2类数据集(合法URL，phishy )上的几个ML分类器。
随机森林分类器、Ada Boost分类器、多树分类器和K分类器的分类准确率达到90%左右，假阳性率达到11~12%。(图)
另一方面，SVM、Logistic回归、多项式NB、Bernoulli NB等分类器性能较差，准确率在70% ~ 80%之间波动，假阳性率较高。
事情是这样的。我也尝试过高斯铌，虽然它的准确度是目前为止最差的58.84%，但它的假阳性率却非常低，只有2.14% (因此FNR很高)。
我不知道为什么会这样。有什么想法吗？
为什么有些分类器表现这么差，而另一些则不行呢？
我
浏览 0提问于2020-05-12得票数 0
回答已采纳
我有一个数据集的应用程序。600.000个数据点，其中0.2% (1.200个样本)被标记为一个罕见事件。我想用logistic回归来帮助我预测这个罕见的事件，但是即使我应用加权，分类的准确性也很差。
我知道我可以重新平衡数据集，但问题是，很多其他奇怪的事情正在发生，这意味着各种事件，但这并不代表我试图预测的事件的确切类型。因此，重新平衡本身将是一个庞大而复杂的任务，试图将有代表性的怪癖纳入裁剪的数据集中。
我发现，通过使用基于以下误差度量的国产logistic回归分类器，然后使用scipy.optimimize.minimize和方法=‘Powell’对参数进行调优以最小化该度量，我获得了很
浏览 0提问于2021-04-21得票数 0
回答已采纳
1回答
在模型中，精确性和召回是相同的。
、、、、
我正在从事一个多分类项目，我注意到，无论我运行哪个分类器，模型中的精度和召回都是相同的。
分类问题有三个不同的类别。数据的体积相当小，13k实例分为测试(0.8)和训练(0.2)。
训练数据的形状为(10608，28)，标签为(10608，3)的形状(二值化标签)。
分类不平衡：
标签0代表所有标签的30% 标签1代表所有标签的4% 标签2代表所有标签的66%。
我正在比较不同的分类器，以后重点放在最有前途的分类器上。在计算每个模型的精度和回忆时，我注意到它们在模型中总是相同的。
由于精确性和召回的计算方法，当错误的负面预测的数量等于FP = FN的假阳性预测的数量时，它们可以是相同的。
浏览 4提问于2020-07-08得票数 3
2回答
在使用NB分类器的监督机器学习算法中，如何计算精确性和查全率，我真的很困惑。
比方说
1) I有两类A，B
2) I有10000份文档，其中2000年用于培训样本集( A=1000类，B=1000类)
3)在上述训练样本集的基础上，使用NB分类器对rest 8000文档进行分类。
4)现在，在对5000个文档进行分类之后，属于A类，3000个文档属于B类
5)现在如何计算精确性和召回率？
请帮帮我..。
谢谢
浏览 3提问于2012-12-08得票数 5
回答已采纳
我有一个逻辑回归分类器，它在不同的概率边界上显示不同的精度和召回性能，如下所示：
📷
分类器决定某个类属于哪个类的默认阈值为0.5。然而，我是否正确地认识到，为了获得最佳的性能权衡，我应该将决策边界设置在以下0.82左右？这可以在Scikit-学习，但我想确保我得出正确的结论。如有任何建议，将不胜感激。
浏览 0提问于2021-01-14得票数 4
回答已采纳
问题: Logistic回归使用L1正则化和L2正则化训练logistic回归模型，使用α= 0.1和λ= 0.1。报告准确率、精确度、召回率、F1分数并打印混淆矩阵
我的代码是：
_lambda = 0.1
c = 1/_lambda
classifier = LogisticRegression(penalty='l1',C=c)
classifier.fit(X_train, y_train)
y_pred = classifier.predict(X_test)
我不知道alpha和lambda的真正位置。我做得对吗？
浏览 26提问于2018-08-30得票数 0
回答已采纳
我一直试图评估我的模型使用的消防系统数据集与一个巨大的不平衡的数据集。大多数模型都无法正确预测任何真实的阳性结果，不过朴素的Bayes成功地做到了这一点，但假阳性率很高。我对混淆矩阵和分类报告都进行了实验，如下所示。这两个数据集都使用了相同的数据集和训练/测试拆分。
Naive Bayes Confusion Matrix and Classification Report
[[TN=732 FP=448]
[FN=2 TP=15]]
precision recall f1-score support
0
浏览 0提问于2020-03-22得票数 2
回答已采纳
我正在研究从电影评论数据集中识别方面(显式和隐式方面)。在这里，可以是演员，导演，制作公司，音乐，情节，电影类型等。尽管我搜索了很多，我已经认识到我需要一个NER (名称实体识别)的电影评论数据集。不幸的是，我的数据集没有NER可用。
我的问题是：
我如何评估我的“电影纳”的精确性，召回和F1测量？
为此，我应该使用什么工具？
浏览 3提问于2016-07-22得票数 1
回答已采纳
1回答
分类器与精度
、、、、
我想问你如何使用分类器和确定模型的准确性。我有我的数据集，我已经清理了文本(删除断点，标点符号，删除空行，.)。然后我把它分成火车和测试。由于我想确定一个电子邮件是否是垃圾邮件，我已经使用了常见的分类器，即朴素贝叶斯，支持向量机和逻辑回归。在这里，我只是包括我的火车和测试数据集:没有其他！我正在使用Python运行此分析。我的问题是:应该足够了还是应该实现新的算法？
如果你能给我一个例子，说明一个已经存在的算法是如何被改进的，那也是很好的。
我阅读了大量关于文本分类准确性的文献，在所有的论文中，作者使用支持向量机、Na ve Bayes、logistic回归等方法对垃圾邮件进行分类。但我不知道
浏览 0提问于2020-08-14得票数 0
回答已采纳
我正在进行多标签分类，评估由precision_recall_fscore_support和average = 'samples'完成。
predict = array(([1,1,0,0], [1,0,0,1], [1,1,1,1]))
expect = array(([1,1,1,1], [1,1,1,0], [1,0,0,0]))
smp_report = precision_recall_fscore_support(expect, predict, average = 'samples')
f_report = f1_score(expect, pre
浏览 2提问于2014-10-05得票数 2
回答已采纳
我有一个数据集需要在两个模型中进行评估:逻辑回归和决策树。评估这两个模型性能的最佳指标是什么？
浏览 3提问于2015-03-10得票数 0
2回答
高精度支持向量机分类
、、、
我有一个二进制分类问题，我试图得到我的分类器的精确召回曲线。我使用libsvm与RBF核和概率估计选项。
为了得到曲线，我将决策阈值从0改为1，步骤为0.1。但是每次运行时，即使召回率随着阈值的增加而降低，我也会得到很高的准确率。与真阳性相比，我的假阳性率似乎总是很低。
我的结果是：
Threshold: 0.1
TOTAL TP:393, FP:1, FN: 49
Precision:0.997462, Recall: 0.889140
Threshold: 0.2
TOTAL TP:393, FP:5, FN: 70
Precision:0.987437, Recall: 0.84881
浏览 8提问于2016-03-27得票数 0
2回答
我使用SMO，Logistic回归，贝叶斯网络和简单的CART算法进行分类。WEKA的结果：
Algorithm Sensitivity (%) Specificity (%) Overall accuracy (%)
Bayesian Network 57.49 76.09 65.24
Logistic Regression 64.73 69.86 66.87
浏览 0提问于2015-07-06得票数 2
回答已采纳
2回答
📷
如您所见，它是关于使用linearSVC进行二进制分类的。1级的查全率高于0级(+7%)，0级的查全率高于1级(+11%)。你怎么解释这件事？
还有另外两个问题：“支持”代表什么？分类报告中的查准率和召回分数与sklearn.metrics.precision_score或recall_score的结果不同。为什么是这样？
浏览 0提问于2019-12-08得票数 30
回答已采纳
当我通过CV cross_val_score()计算精确性、回忆性和f1时，它给出的结果与通过混淆矩阵计算的结果不同。为什么它给出不同的精确度，回忆，和f1的分数？
我在机器学习中学习支持向量机，我想比较一下cross_val_score返回的结果和手工计算混淆矩阵的结果。然而，我有不同的结果。
首先，我使用cross_val_score编写了下面的代码。
clf = svm.SVC()
kfold = KFold(n_splits = 10)
accuracy = metrics.make_scorer(metrics.accuracy_score)
precision = metrics
浏览 14提问于2022-07-20得票数 2
回答已采纳
1回答
因此，为了评估多标签分类算法(每个实例都与多个标签相关联)，我同时考虑了准确性和F1-Measure。拥有：
Accuracy = #Intersection(suggestions,correct_labels) / #Union(suggestions,correct_labels)
F1 Measure = 2 * (P * R) / (P + R)
哪种方法更好?为什么？在什么情况下，我应该选择其中之一？
浏览 2提问于2013-12-04得票数 5
1回答
我知道Recall= TP/ (TP+FN)
假设我考虑分类器的不同上下文的召回值。在一个上下文中，我将classA作为我的积极类，将classB作为我的负面类。在另一个上下文中，我将classA作为我的负面类，将classB作为我的正面类。
在这些上下文中，让R1和R2值成为回调值
R1=TP1/(TP1+FN1)
R2=TP2/(TP2+FN2)
But TP2=FN1 and FN2=TP1
So R2=FN1/(TP1+FN1)
So R1+R2=1
这个论点有什么问题吗?我觉得有问题，因为我看到分类器正在使用recall进行评估。
同样，如果我被要求计算分类器的召回率，它是R1还是R
浏览 0提问于2016-11-08得票数 0
3回答
Why是通常用于(监督)分类任务的F-测度，而G-测度(或Fowlkes-Mallows索引)通常用于(无监督)聚类任务？
F-度量是精度和回忆的调和平均值。
G-度量(或Fowlkes-Mallows索引)是几何的平均值精度和召回的平均值。
下面是一个不同方法的情节。
📷
F1 (谐波) $= 2\cdot\frac{精度\cdot召回}{精确+召回}$
几何$= \sqrt{精度\cdot召回}$
算术$= \frac{精确+召回}{2}$
我问这个问题的原因是，我需要决定在NLG任务中使用哪一个平均值，在哪里我测量了 BLEU 和 ROUGE (BLEU相当于精确，而ROUGE则相当于
浏览 0提问于2018-08-12得票数 12
1回答
当您试图预测某事物是否属于某个类时，您可以使用sklearn的分类报告。但是，这只在类是绝对的情况下才能起作用。
当您尝试用支持向量回归机或线性回归来预测值时，有没有人碰巧知道如何使用sklearn的分类报告？
我得到以下错误：
ValueError: Unknown label type: (123 13.409091
760 16.593333
748 13.646667
334 13.828571)
在尝试时：
print("Classification report: ", classification_report(y_test, y_
浏览 1提问于2018-08-01得票数 7
1回答
我正在尝试使用分类模型。我计划用一个大数据集来训练和测试我的模型( 80%的训练和20%的音量测试-没有过采样)。
我对分类模型的理解是，它侧重于二进制、真/假或是/否类型的预测。然而，我也应该使用一些评估指标，如准确性/精确性/召回率等。理想情况下，我需要提高/降低门槛，以满足我的期望。
我的问题--如果我要使用任何定制的软件解决方案(例如，一些Python/R库)来解决这个问题，我希望从我的模型中看到什么来输出？它是像“是”/“否”输出那样简单，还是具有某种形式的精度/精度数字？
浏览 0提问于2020-11-03得票数 1
2回答
我有一个由181个样本组成的数据集(类是不平衡的，有41个数据点，1个标签，其余140个带有标签0)和10个特性和一个目标变量。这10个特征是数字和连续的性质。我必须执行二进制分类。我所做的工作如下：
I have performed 3 Fold cross validation and got following accuracy results using various models:-
LinearSVC:
0.873
DecisionTreeClassifier:
0.840
Gaussian Naive Bayes:
0.845
Logistic Regression:
0.8
浏览 0提问于2017-01-12得票数 1
我正在使用进行支持向量机分类。但是，我注意到，当我使用LOO评估多类分类器时，results对象不报告灵敏度和PPV值。相反，它们是0.0：
from PyML import *
from PyML.classifiers import multi
mc = multi.OneAgainstRest(SVM())
data = VectorDataSet('iris.data', labelsColumn=-1)
result = mc.loo(data)
result.getSuccessRate()
>>> 0.95333333333333337
re
浏览 2提问于2010-10-04得票数 1
回答已采纳
2回答
我有测试数据集。数据集是不平衡的数据集。数据集的培训实例总数为543个，其中少数类(是)为75个，多数类(编号)为468个。兴趣的阶级是少数人阶级(是的)。我使用朴素贝叶斯分类器进行预测。我得到的混乱矩阵
TP TN FP FN
33 391 77 42
No class的实例总数为468，分类器真正将391个实例预测为负值。然而，分类器预测的总否定类为391+42 = 433，这些42个假负数实际上是正类，而分类器则将其预测为负数。这个解释我说得对吗？
其次，分类器预测了33个实例为真正。然而，正类TP+FP = 33+77 = 110的总预测。现在这些假阳性实际上是负的类
浏览 0提问于2022-09-10得票数 3
回答已采纳
1回答
我有一些标记的数据，它们将数据集分类为正或负。现在我有了一个自动执行相同操作的算法，我想要比较结果。
有人说我使用精确度和召回率，但我不确定这些是否合适，因为真正的否定甚至不会出现在公式中。我倾向于使用一个通用的“预测率”，无论是积极的还是消极的。
怎样才是评估算法的好方法？谢谢！！
浏览 3提问于2013-09-26得票数 0
3回答
目前，我正在对从文本中提取的各种实体使用几个不同的分类器，并使用精确/召回来总结每个独立分类器在给定数据集中的执行情况。
我想知道是否有一种有意义的方法来比较这些分类器的性能，但也考虑到被分类的测试数据中每个实体的总数？
目前，我正在使用精确/召回作为性能的衡量标准，因此可能有以下内容：
Precision Recall
Person classifier 65% 40%
Company classifier 98% 90%
Cheese classifier 10% 50%
Egg classifier
浏览 0提问于2014-06-28得票数 13
我在Kaggle上找到了这个，它包含了2013年9月欧洲持卡人在两天内通过信用卡进行的交易。数据集非常不平衡，欺诈只占所有交易的0.172%。
我想在这个数据集上实现一个(高斯)朴素贝叶斯分类器来识别欺诈交易。
我已经做了以下几件事：
将数据加载到数据帧中
将数据拆分为X和y
数据标准化
用ADASYN处理不平衡数据集
高斯朴素贝叶斯模型的建立
现在，我想评估一下这些模型：
from sklearn import metrics
metrics.accuracy_score(y_test, y_pred_class)
# Output: 0.959734277127
浏览 0提问于2018-12-14得票数 2
回答已采纳
1回答
我正在处理与保险索赔相关的数据集，将新获得的客户分类为索赔或非索赔。
培训集的基本问题是索赔和非索赔配置极不平衡，索赔额仅占培训集的0.26%。此外，大多数索赔主要集中在最后几年(数据按日期分类)。
应用Logistic回归，甚至随机森林，对70%的数据进行训练，检验结果远低于满意。
我一直在看其他的模特，我偶然发现了这篇博客文章。引起我注意的一句话是：
在本文中，两类数据集分类器的最佳分类器为avNNet_t，分类准确率为83.0%。
尽管没有真正澄清为什么会这样。有人能帮我打开这个“黑匣子”吗？哪种模型真正有效(在上面描述的情况下)，以及为什么？
浏览 0提问于2016-06-10得票数 3
1回答
我有一个包含330个样本和每个样本的27个特征的数据集，其中具有Logistic回归的二进制类问题。
根据“如果十”的规则，我需要至少10个事件的每个功能被包括在内。然而，我有一个不平衡的数据集，有20%的正类和80%的负类。
这只给了我70个事件，允许在Logistic模型中包含大约7/8的功能。
我想评估所有的功能作为预测，我不想手动选择任何功能。
那么你有什么建议呢？我应该做所有可能的7个功能组合吗？我是否应该使用关联模型单独评估每个功能，然后只为最终模型选择最好的功能？
我对分类和连续特征的处理也很好奇，我可以混合它们吗？如果我有一个分类的0-1和一个连续的0-100，我应该标准化吗？
浏览 0提问于2017-07-28得票数 0
2回答
当我们评估WEKA中的分类器时，例如2类分类器，它给出了3个f-度量:类1的f-度量，类2的f-度量和加权f-度量。
我太困惑了！我认为f-measure是一个平衡的度量，它显示了多个类别的平衡性能度量，那么对于类别1和2的f-度量是什么意思呢？
浏览 1提问于2014-01-25得票数 8
回答已采纳
1回答
Logistic回归框架
、、、
我正在用分类器编写逻辑回归的框架。有人能帮助我验证它并建议主要的库(例如sklearn)函数吗？以下是我想出的：
对N个观测值和M个变量(M < N)进行logistic回归。
培训集-约占整个数据集测试集的80%，其余20%
问:是否有一个函数，允许选择测试集作为一组火车的外推，而不是使用随机选择？(train_test_split不这样做)
问:是否有一个函数可以让逻辑回归与正规化运作？也许是StandardScaler？
当Logistic回归完成时，我们如何使用结果：
我们是否只使用决策边界图，并根据新的数据点是在图中还是不在图中作出决定？
我可以得到系数，但是计算目标的
浏览 6提问于2015-10-07得票数 0
我是一个初学者做我的第一个ML项目。我正在对不平衡数据集进行二进制监督分类，并希望使用ROC曲线作为我的模型的性能度量。我使用Logistic回归、支持向量机和K近邻作为分类器。对于Logistic回归，我了解什么是ROC曲线，以及如何调整阈值。然而，当我预测K近邻的概率时，我不明白ROC曲线在哪里派上用场，因为阈值无论如何都不能变。那么，为什么还要为K最近的内格勃( Neigbors )实施ROC曲线呢？
浏览 0提问于2022-12-15得票数 2
回答已采纳
我有一个分类的问题！我建立了两个模型，一个是逻辑回归模型，另一个是随机森林模型。我试着打印"classification_report“，我得到了下面的两张图片？哪个分类做得好？求你了？随机林模型的损失函数为0.17，logistic回归模型的损失函数为0.16
浏览 0提问于2019-04-28得票数 0
1回答
在jupyterlab中使用scikit-学习版本0.22.1。我不能提供一个最小的可重复的例子，然而，希望这是好的，因为这是一个概念性的问题。
我在建立分类模型。我在X中有我的特征，在y中有我的目标变量。我拟合一个logistic回归模型并计算预测：
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33, random_state=42)
from sklearn.linear_model im
浏览 0提问于2020-01-21得票数 2
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
实时音视频
即时通信 IM活动推荐
腾讯云开发者
