【问题标题】:calculating confidence while doing classification在进行分类时计算置信度
【发布时间】:2013-11-20 07:48:05
【问题描述】:

我正在使用朴素贝叶斯算法来预测电影评分是正面还是负面。我已经能够以 81% 的准确率对电影进行评分。不过,我也在尝试为每个评级指定一个“置信度”。

我正在尝试确定如何告诉用户“我们认为评论是积极的有 80% 的置信度”。有人可以帮助我了解如何计算分类结果的置信度吗?

【问题讨论】:

  • 你能分享一下你的实现吗?很难说你是如​​何实现朴素贝叶斯的:作为概率分类器(即用即做你想要的)或作为线性模型(快一点)。

标签: statistics machine-learning nlp probability


【解决方案1】:

您可以报告朴素贝叶斯计算的概率 P(y|x)。 (但请注意,朴素贝叶斯不是一个很好的概率模型,即使它不是太差的分类器。)

【讨论】:

  • 由于朴素贝叶斯实际上计算了非常“小”的值,报告(对于具有“正”结果的二进制分类)P(positive|x)/(P(positive|x )+P(negative|x)) 作为用户的“分数”?
  • @lejlot P(pos|x) + P(neg|x) = 1,所以我看不出有什么变化。
  • 这仅适用于概率,不适用于由 NB 的典型实现存储的值(通常是未归一化的,对吗?)
  • @lejlot:取决于 OP 的实现,但如果你从 NB P(y|x) 调用这些值,那么这表明它们是概率 :)
  • p(positive|x) 是归一化的类成员后验概率。 p(x|positive) 的可能性非常小。 Larsmans 是绝对正确的
猜你喜欢
  • 1970-01-01
  • 2015-01-04
  • 1970-01-01
  • 1970-01-01
  • 2020-06-14
  • 2017-04-29
  • 1970-01-01
  • 1970-01-01
相关资源
最近更新 更多