Пакетні прогнози

REST API

Інтеграція в електронні

таблиці

Кордонне розгортання

Використання бібліотеки для локального виконання

Розбіжність між прогнозованими та реальними значеннями

Взаємозв'язок між точністю та повнотою

Співвідношення помилкових передбачень між класами

Відсоток

правильних передбачень усіх класів, враховуючи їхню різну кількість

Кількість правильних передбачень усіх класів, поділену

на загальну кількість передбачених екземплярів будь-якого класу

SOAP

REST API, пакетні прогнози, кордонне розгортання

Інтеграція в електронні таблиці,

FTP, REST API

REST API, GraphQL, SOAP

FTP, SOAP, REST API

За

допомогою врахування можливості випадкового співпадання рішень експертів

За допомогою простого підрахунку відсотка співпадань

думок експертів

Каппа Коена не використовується для узгодження рішень

експертів

За допомогою знаходження середнього значення між

рішеннями експертів

За допомогою класифікації N предметів на M

взаємовиключних категорій

Листи розподіляються по класах без використання порогу

Всі листи автоматично визначаються як спам

Оцінка спаму здійснюється лише на основі високо

ранжованих листів

Поріг

вибирається залежно від стратегії, і листи оцінюються як спам чи не спам в

залежності від цього порогу

Поріг не використовується в оцінці спаму

Сумуванням ймовірностей належності об’єкту до різних

класів та вибором того, де ймовірність найвища

За вибором класу, до якого належить більшість

сусідів, що 

Застосуванням вагового коефіцієнту до кількості

сусідів для зменшення впливу невеликої кількості об’єктів у деяких класах

Шляхом присвоєння об’єкту мітки класу найбільшої

кількості його найближчих сусідів

Спостереженням упевненості алгоритму у класифікації за

кількістю сусідів з різних класів

SVM та KNN повертають аналогічні результати відносно

належності до класу.

Обидва алгоритми генерують відносні результати

належності до класу.

SVM

генерує результати, що вказують на відносну належність до класу, тоді як KNN

видає чіткий лейбл класу (0 або 1).

KNN повертає ймовірнісний результат, тоді як SVM

генерує точний лейбл класу.

SVM та KNN використовують однаковий метод визначення

належності класу в результатах.

Повнота визначає, наскільки модель точно передбачає

позитивні класи в порівнянні з усіма передбаченими класами.

Визначає, наскільки ефективно модель впізнає всі

можливі позитивні випадки в наборі даних.

Це метрика, яка вказує, яку частку позитивних випадків

модель здатна виявити.

Повнота важлива в задачах, де важливо уникнути

пропусків у виявленні позитивних випадків.

Це

відношення кількості правильно виявлених позитивних випадків до загальної

кількості позитивних випадків.

Збалансований баланс не має впливу на результати

класифікації

Збалансований баланс завжди призводить до кращих

результатів класифікації

Збалансований баланс сприяє лише точності, ігноруючи

повноту

Збалансований

баланс допомагає досягти оптимального відношення між точністю та повнотою

Збалансований баланс сприяє лише повноті, ігноруючи

точність

Кількість правильно передбачених екземплярів цільового

класу поділена на загальну кількість передбачених екземплярів будь-якого класу

Кількість правильно передбачених екземплярів цільового

класу поділена на загальну кількість екземплярів цього класу в реальних даних

Точність не визначається в класифікаційних завданнях

Кількість

правильно передбачених екземплярів цільового класу поділена на загальну

кількість передбачених екземплярів цього класу

Кількість екземплярів цільового класу поділена на загальну

кількість передбачених екземплярів цього класу