0

我对分类准确性的理解始终是“#正确分类的实例除以#instances”。使用 Java-ML 并将 LibSVM 应用于多标签问题，我得到每个 CLASS 的准确度（和其他测量值）。我无法弄清楚它们是如何相关的以及整体准确性是多少。

例如，对于我的 3 类问题，我得到以下结果：

Anger: Accuracy = 0.48148148148148145 | F = 0.35 | Precision = 0.310126582278481 | Error rate = 0.5185185185185185
Neutral: Accuracy = 0.9971509971509972 | F = 0.0 | Precision = NaN | Error rate = 0.002849002849002849
Surprise: Accuracy = 0.47863247863247865 | F = 0.5653206650831354 | Precision = 0.616580310880829 | Error rate = 0.5213675213675214

我的代码如下所示：

Map<Object, PerformanceMeasure> pm = cv.crossValidation(data, 5);
for (Object o : pm.keySet()) {
                System.out.println(o + ": Accuracy = " + pm.get(o).getAccuracy()
                        + " | F = " + pm.get(o).getFMeasure()
                        + " | Precision = " + pm.get(o).getPrecision()
                        + " | Error rate = " + pm.get(o).getErrorRate());
}
4

1 回答 1

0

如果类的分布不均匀，则整体准确性不会提供太多信息，这在您的情况下可能是正确的。如果您愿意，您仍然可以计算一个，请参阅： http ://spokenlanguageprocessing.blogspot.com/2011/12/evaluate-multi-class-classification.html

为了回答您关于它们如何相关的其他问题，结果是按类计算的。因此，对于中性（情绪？），尽管您没有预测单个中性示例（您的数据集中可能没有任何示例，因此为 NaN），但您具有很高的准确性（超过 99%）。您的准确性正在提高，因为您将其他所有内容都称为“不中立”并且有很多这样的情况。其他情况更容易理解，因为它们有正面和负面的例子和更合理的数字。希望这可以帮助。

于 2015-06-09T15:55:32.800 回答