解释神经网络算法的分类报告

Question

我正在尝试解释来自预测心力衰竭死亡率的神经网络的分类报告，如下所示。我可以说预测 0 比基于 f1 分数预测 1 更准确。但是，我不确定为什么 0 和 1 的精度值和召回值之间存在相当大的差距。这是否意味着我的模型必须调整或数据集有偏差？我想知道如何从这个开始。谢谢！

Answer 1

让我们通过查看下面的示例来进一步理解这一点。

示例 - 混淆矩阵

每个标签的准确率和召回率如下所示。它与您的示例中显示的数字相似。

所以在实际数据集中，有70条记录标记为1，95条记录标记为0。

混淆矩阵

精度

精度公式 = 真阳性 /（真阳性 + 假阳性）

在标签1的情况下，在模型分类为1的31个中，30个是正确的，只有1个是不正确的。因此它的精度分数很高，达到了 96.7%

在标签0的情况下，在模型分类为0的134个中，94个是正确的，40个是不正确的。因此，它的精确度得分处于约 70% 的中等水平。

召回

召回公式 = 真阳性 /（真阳性 + 假阴性）

在标签1的情况下，在实际上是1的70个标签中，模型只能将30个正确识别为1。因此，它的召回率很低，约为 43%。

在标签0的情况下，在实际上是0的95个标签中，模型可以将94个正确识别为0。因此，它的召回率高达约 99%。

现在回答您是否应该调整模型的问题取决于您要寻找的结果是什么。如果您正在寻找两个标签上的良好精确度和召回率，那么是的应该调整它们并在它们上获得不错的 f1 分数。但如果你更关心召回而不是准确率，那么你应该放弃准确率并提高召回率，反之亦然。