machine-learning - 为什么KNN精度低但精度高？

Question

我使用 k-nn 对 20NG 数据集进行了分类，每个类别有 200 个实例，并进行了 80-20 次训练-测试分割，我发现了以下结果

这里的准确度相当低，但是当准确度这么低时，准确度有多高呢？精度公式不是 TP/(TP + FP) 吗？如果是，那么高精度分类器需要生成高真阳性，这将导致高精度，但是 K-nn 如何在真阳性率太低的情况下生成高精度？

Answer 1

召回率相当于真实率。文本分类任务(尤其是信息检索，但也包括文本分类)显示了召回率和精度之间的权衡。当精确率非常高时，召回率往往较低，反之亦然。这是因为您可以调整分类器以将更多或更少的实例分类为正例。分类为阳性的实例越少，精确度越高，召回率越低。

为了确保有效性度量与准确性相关，您应该关注 F 度量，它平均召回率和精度 (F 度量 = 2*r*p/(r+p))。

非惰性分类器遵循训练过程，尝试优化准确性或错误。 K-NN 很懒，没有训练过程，因此它不会尝试优化任何有效性度量。您可以使用不同的 K 值，直观地说，K 越大，召回率越高，准确率越低，反之亦然。