Another way to evaluate and compare

Another way to evaluate and compare the performance of a classifier C is by means of the Receiver Operating Characteristic curve (ROC) and the Area Under the ROC Curve (AUC) [17]. Assume we have again a two-class problem. We can refer to one of the classes, say ωp, as the positive class, and the other, say ωn, as the negative class. Let Np be the number of patterns from class ωp (i.e., the positive class), Nn be the number of patterns from class ωn (i.e., the negative class), the False Positives, F P, be the number of patterns from the negative class that have been erroneously classified as positive patterns by C, and the True Positives, T P, be the number of patterns from the positive class that have been correctly classified as positive patterns. According to the definition above we can compute the false positive and true positive rate as F P , and T P respectively.

Kết quả (Việt) 1:

Một cách khác để đánh giá và so sánh hiệu suất của một loại C là bằng đường cong đặc trưng nhận điều hành (ROC) và Area Under the ROC Curve (AUC) [17]. Giả sử chúng ta một lần nữa có một vấn đề hai hạng. Chúng tôi có thể tham khảo một trong các lớp học, nói rằng ωp, như các lớp học tích cực, và khác, nói ωn là lớp phủ định. Giả sử Np là số lượng mẫu từ lớp ωp (tức là, các lớp học tích cực), Nn là số lượng các mô hình từ lớp ωn (nghĩa là âm giai), dương tính giả, F P, có số lượng mẫu từ lớp phủ định C đã được phân loại một sai lầm như mô hình tích cực và những mặt tích cực đúng, T P, là số lượng các mô hình từ các lớp học tích cực đã được phân loại một cách chính xác như mô hình tích cực. Theo định nghĩa ở trên chúng ta có thể tính toán sai tích cực và thực sự tích cực tỷ lệ như F P T P tương ứng.

Kết quả (Việt) 2:

Một cách khác để đánh giá và so sánh hiệu suất của một bộ phân loại C là bằng phương tiện của các đường cong hoạt động tiếp nhận (ROC) và vùng dưới đường cong ROC (AUC) [17]. Giả sử chúng ta có một lần nữa một vấn đề hai lớp. Chúng tôi có thể tham khảo một trong các lớp học, nói ωp, như các lớp học tích cực, và người kia, nói ωn, khi tầng lớp tiêu cực. Hãy Np là số mẫu từ lớp ωp (tức là, các lớp học tích cực), Nn là số mẫu từ lớp ωn (tức là, các lớp học âm), các Tích cực False, FP, có số lượng mẫu từ lớp tiêu cực đã được phân loại là sai lầm mẫu dương bằng C, và True Tích cực, TP, là số lượng mẫu từ lớp tích cực đã được phân loại chính xác như mô hình tích cực. Theo định nghĩa trên, chúng ta có thể tính toán tỷ lệ dương tính tích cực và sai sự thật như FP, và TP tương ứng.