classification - 如何解读weka分类？

Question

我们如何使用朴素贝叶斯解释 weka 中的分类结果？

平均值、标准偏差、权重总和和精度是如何计算的？

kappa 统计量、平均绝对误差、均方根误差等如何计算？

混淆矩阵的解释是什么？

Answer 1

下面是朴素贝叶斯分类器的一些示例输出，使用 10 倍交叉验证。那里有很多信息，您应该关注什么取决于您的应用程序。我将在下面解释一些结果，以帮助您入门。

=== Stratified cross-validation ===
=== Summary ===

Correctly Classified Instances          71               71      %
Incorrectly Classified Instances        29               29      %
Kappa statistic                          0.3108
Mean absolute error                      0.3333
Root mean squared error                  0.4662
Relative absolute error                 69.9453 %
Root relative squared error             95.5466 %
Total Number of Instances              100     

=== Detailed Accuracy By Class ===

               TP Rate   FP Rate   Precision   Recall  F-Measure   ROC Area  Class
                 0.967     0.692      0.686     0.967     0.803      0.709    0
                 0.308     0.033      0.857     0.308     0.453      0.708    1
Weighted Avg.    0.71      0.435      0.753     0.71      0.666      0.709

=== Confusion Matrix ===

  a  b   <-- classified as
 59  2 |  a = 0
 27 12 |  b = 1

正确和错误分类的实例显示正确和错误分类的测试实例的百分比。原始数字显示在混淆矩阵中，其中 a 和 b 代表类标签。这里有 100 个实例，因此百分比和原始数字相加，aa + bb = 59 + 12 = 71，ab + ba = 27 + 2 = 29。

正确分类实例的百分比通常称为准确性或样本准确性。作为性能估计，它有一些缺点(没有机会纠正，对类别分布不敏感)，因此您可能需要查看其他一些数字。 ROC 面积，或 ROC 曲线下的面积，是我首选的衡量标准。

Kappa 是分类与真实类别之间一致性的机会校正度量。它的计算方法是将偶然预期的一致性与观察到的一致性相除，然后除以最大可能的一致性。大于 0 的值意味着您的分类器做得比偶然更好(确实应该如此!)。

错误率用于数值预测而不是分类。在数值预测中，预测不仅仅是正确或错误，误差也有大小，这些度量反射(reflect)了这一点。

希望这能让您开始。