Spisu treści:
Definicja - Co oznaczają fałszywe negatywy?
Fałszywe negatywy są jednym z czterech elementów w klasycznej macierzy pomieszania do klasyfikacji binarnej. W klasyfikacji binarnej dwa typy lub klasy są analizowane przez program uczenia maszynowego lub podobną technologię.
Techopedia wyjaśnia fałszywe negatywy
Idea macierzy pomieszania polega na tym, że inżynierowie mają aktualne wartości danych testowych. Następnie uruchamiają program uczenia maszynowego i dokonuje jego prognoz. Jeśli prognoza pasuje do tego, co wiadomo, jest to wynik pomyślny. Jeśli tak się nie stanie, nie będzie to udanym wynikiem.
W tego typu paradygmacie pomyślne wyniki są oznaczone jako prawdziwe, a nieudane wyniki - jako fałszywe.
Aby podać przykład fałszywych negatywów, musisz przyjrzeć się, jak jest skonfigurowana macierz nieporozumień. Załóżmy na przykład, że masz dwie klasy do sklasyfikowania - pierwsza to wartość, powiedzmy jedna, która nazywa się klasą numer jeden lub klasą dodatnią. Drugi wynik to zero, które możemy nazwać klasą numer dwa lub klasą ujemną.
W takim przypadku wynik fałszywie ujemny byłby wynikiem, w którym program uczenia maszynowego zgadłby zero, ale tak naprawdę wynik był jeden.
Ten typ konstruktu jest szeroko stosowany w różnego rodzaju projektach uczenia maszynowego.
Ta definicja została napisana w kontekście Data Science
