【发布时间】：2019-03-22 18:04:57
【问题描述】：
分类中错误率的准确定义是什么？为什么 一些研究人员使用错误率而不是准确性来报告他们的结果？ 我正在尝试将我的文本分类结果与文献中的其他方法进行比较，但他们使用错误率而不是准确率，我无法找到确切的定义/方程式来找到我的方法的错误率。
【问题讨论】：
标签： machine-learning classification
【发布时间】：2019-03-22 18:04:57
【问题描述】：
对于分类，您的输出是离散的（就像您将项目放入桶中一样），因此准确度的定义非常简单：
准确度 =（# 分类正确）/（# 分类总数）
错误率同样简单：
错误率 = 1 - 准确率 = 1 - (# 分类正确) / (# 分类总数)
= (# 分类不正确) / (# 分类总数)
请注意，对于具有连续输出的任务来说，事情要复杂得多。如果我不是将物品放入桶中，而是要求模型将物品放在数轴上，那么准确性不再是“正确”和“错误”的问题而是我的模型有多接近正确。这可能是平均接近度、中值接近度等。还有更复杂的度量，主要区别在于随着距离的增加，它们对距离的加权程度。也许稍微偏离一点比偏离很多要好得多，因此Root Mean Square 错误度量是合适的。另一方面，无论是偏离一点还是偏离很多，偏离多一点都可能很糟糕，所以对数误差测量会更好。
回答您问题的最后一部分：在离散情况下，为什么要选择准确度与误差？光学是一回事：“99% 准确” 发送的心理信息与 “错误率为 1%” 不同。此外，准确度从 99% 提高到 99.9% 意味着准确度提高了 1%，但误差从 1% 降低到 0.1% 意味着误差降低了 90%，即使两者表达的是相同的真实世界改变。
否则，可能是个人喜好或写作风格。
编辑：你可能也对this post on the Statistics Stack Exchange感兴趣
【讨论】：
-
链接帖子中的答案令人困惑（尤其是与您的帖子相比）。