如何解释机器学习分类算法中的得分概率？答案

【问题标题】：How to interpret scored probabilities in machine learning classification algorithm?如何解释机器学习分类算法中的得分概率？
【发布时间】：2018-05-03 10:23:19
【问题描述】：

我正在使用两个神经网络进行两类文本分类。我在测试数据上获得了 90% 的准确率。还使用不同的性能指标，如准确率、召回率、f 分数和混淆矩阵，以确保模型按预期执行。

在使用训练模型的预测实验中，我正在获取每个预测的概率。输出如下所示（无法提供在 Azure ML Studio 中实现的代码）

例如： class (probability) , class 2 (probability) -> 预测类

1 级 (0.99)，2 级 (0.01) -> 1 级

1 级 (0.53) ，2 级 (0.47) -> 1 级

1 级 (0.2) ，2 级(0.8) -> 2 级

Example

根据我目前的理解，通过查看我们可以判断的概率，模型对其预测的信心有多大。90% 的准确度意味着 100 条记录中 10 条预测可能出错。

现在我的问题是，通过查看概率（置信度），我们能否判断当前记录属于 90%（正确预测）或 10%（错误预测）的哪个桶？

我想要实现的是，为了告诉他/她这个预测可能是错误的，他们可能想在使用这些结果之前将其更改为其他类。

【问题讨论】：

我建议您考虑 ROC 分数作为准确度指标。这将使您知道您的预测有多好。
嗨 Tushar，感谢您的回复...我正在检查不同的性能指标，例如精度、召回率、f 分数和混淆矩阵，以确保模型按预期执行。然后使用经过训练的模型进行预测。在预测时，它为每个类分配一个概率，并输出概率最大的类。对不起，如果我的问题在上面不清楚。我的问题是，我们能否通过查看概率分数来判断预测是错误的还是正确的？

标签： machine-learning neural-network classification probability text-classification

【解决方案1】：

90% 的准确率意味着 100 条记录中 10 条预测可能出错。

不完全一样；准确率总是（尽管隐含地）与我们用来测量它的特定测试集相关联：因此，90% 意味着在 100 条记录中，我们的分类器确实错误分类了 10 条（即没有“可能” )。

我们在机器学习中希望的是，我们的模型在新的、看不见的数据中的性能将与我们的测试集相媲美（关于我们模型的训练，它是也看不见）。粗略地说，只要我们的新数据来自与我们的训练和测试集相同的统计分布，这并不是一个不合理的期望。

我想要实现的是，为了告诉他/她这个预测可能是错误的，他们可能想在使用这些结果之前将其更改为其他类。

直观地说，您应该已经知道答案：将返回的概率解释为置信度（至少在原则上，这不是无效的解释），它们的值告诉您您的模型对其模型的“确定性”程度。答案：所以，您可以为最终用户提供这些概率值；在您的示例中，概率为 0.97 的“问题”的情况与概率约为 0.50 的“问题”的情况在质量上确实不同......

【讨论】：

感谢您的解释，在某些情况下，我通过手动检查观察到概率为 0.97 的“问题”是错误的预测（“实际上是问题”），而“问题”的概率为~0.50 的概率是正确的预测。在这种情况下，最终用户如何通过查看概率来采取行动？
不能；您应该接受这是一个错误分类的风险，或者尝试一个更好的模型......（如果答案有帮助，请接受它；答案占用了受访者宝贵的时间 - 谢谢）