使用 Weka 的鲍鱼数据集上的 ANN 和 KNN。
ANN 正确分类实例的结果 3183 76.203 % 错误分类实例 994 23.797 % 平均绝对误差 0.214 均方根误差 0.3349 相对绝对误差 58.6486 %
KNN的结果| 正确分类的实例 3211 76.8734 % 错误分类的实例 966 23.1266 % 平均绝对误差 0.2142 均方根误差 0.3361 相对绝对误差 58.7113 %
KNN 精度高，而 ANN 误差低。那么我应该说这两种算法中哪一种更好呢？哪个是更可取的标准，准确性还是错误？我的理解是错误应该随着高精度而减少。但是这里的结果是相反的。为什么会这样呢？
答案取决于您是将问题视为分类（如您使用的算法所建议的那样）还是回归。如果这是一个分类问题，那么您应该只考虑正确/错误分类实例的百分比。否则，错误。
解释一下，正确分类实例的百分比仅考虑预测是否准确，即预测 2 而不是 1 与预测 10000 一样不正确。原因是你得到了数据的类别错误并且没有类之间差异大小的概念。另一方面，对于回归，您预测一个连续的数量，并且差异的大小很重要。也就是说，如果实际值为 1，预测值为 2，则模型比预测为 10000 时的模型要好得多。
这样，您可以获得更好的准确性，但误差更差，反之亦然。发生的情况是，您总体上得到了更正确的预测，但错误的预测更离谱。
您想要使用哪种性能衡量标准取决于您的特定应用程序。您是否只关心是否预测了正确的类别，或者还关心到正确预测的距离？如果是后者，我建议使用回归而不是分类模型。