问分类错误率的定义及为什么一些研究者使用错误率而不是准确性

EN

对于分类，输出是离散的(就像将项放入桶中一样)，因此精确性有一个非常简单的定义：

精度= (#分类正确)/ (#分类总数)

错误率同样简单：

错误率=1-精度=1- (#分类正确)/ (#分类总数)

= (#分类错误)/ (#分类总数)

注意，对于具有连续输出的任务，事情要复杂得多。如果不是将项目放入桶中，而是要求模型将项目放在数字行上，那么准确性不再是“对”和“错”的问题，而是我的模型离正确的距离有多近。这可能是平均贴近度、中位贴近度等。还有更复杂的度量方法，主要是在它们随着距离的增加而称重的程度上有所不同。也许稍微差一点比差很多要好得多，所以根均方错误度量是合适的。另一方面，不管是差一点还是差很多，如果差一小部分的话可能会很糟糕，所以用对数误差度量会更好。

要回答你问题的最后一部分:在离散的情况下，为什么要选择准确性和错误？光学是一回事："99%的准确率“发出的心理信息与”错误率为1%“不同。此外，精度从99%提高到99.9%是提高了1%的精度，但误差从1%降低到.1%是90%的误差，尽管两者表达了相同的现实世界的变化。

否则，可能是个人喜好或写作风格。

编辑:你也可能对这篇关于统计堆栈交换的文章感兴趣