Метод опорних векторів

Метод Монте-Карло

Метод Найменших Квадратів

Метод Гаусса-Ньютона

Щоб розділити клас на підкласи

Для об’єднання кількох ознак у одну

Щоб мінімізувати збиткову функцію

Для перетворення одного значення категорії у числовий код

20% даних відкидаються з датасету

20% даних використовуються як тестова вибірка

80% даних – тестові, 20% – тренувальні

20% даних дублюються для перевірки

TP / (TP + FN)

(TP + TN) / (TP + FP + TN + FN)

2 * (Precision * Recall) / (Precision + Recall)

TP / (TP + FP)

Відношення хибнопозитивних випадків

Тільки позитивні випадки

Загальну якість класифікації

Лише якість класифікації негативних випадків

Він враховує як precision, так і recall

Він дає точне значення accuracy

Він оцінює якість негативного класу

Він не впливає на оцінку моделі

Частка прогнозованих позитивних випадків, які є істинними

Загальна кількість правильно класифікованих випадків

Частка неправильно класифікованих випадків

Середнє між точністю та повнотою

Частка негативних випадків, які правильно визначені

Середнє значення між точністю та повнотою

Загальна точність моделі

Частка позитивних випадків, які правильно визначені

Метод балансування класів

Частка хибно класифікованих випадків

Відношення помилкових позитивних випадків до загальної кількості

Гармонійне середнє точності та повноти

Метод підрахунку хибнопозитивних випадків

Частка правильно класифікованих випадків

Площа під кривою ROC

Загальна точність класифікації