HyperAIHyperAI

Command Palette

Search for a command to run...

Taux De Vrais Positifs

Date

il y a 7 ans

Taux de vrais positifs Le TPR est le rapport entre le nombre de résultats de prédiction d'échantillons positifs et le nombre réel d'échantillons positifs.

Le concept de problème de classification binaire

Pour le problème de classification binaire, les échantillons peuvent être divisés en quatre catégories en fonction de la combinaison de leurs vraies catégories et des catégories prédites par l'apprenant, à savoir, vrai positif, faux positif, vrai négatif et faux négatif.

Parmi eux, Vrai et Faux sont utilisés pour juger si le résultat est correct ou non, Positif et Négatif sont utilisés pour juger s'il est positif ou négatif. Par conséquent, le nombre total d'échantillons = TP + FP + TN + FN

L'importance du taux de cas réels

Le taux de vrais positifs est calculé comme TPR = TP / (TP + FN)

Il représente la proportion du taux positif dans la détection correcte. En plaçant TPR et FPR sur le même graphique, on peut obtenir la courbe ROC, et la zone sous la courbe ROC est l'AUC. Le ROC et l’AUC sont généralement utilisés comme mesures de performance dans l’évaluation des modèles.

Termes connexes : Taux de faux positifs (FPR), Courbe ROC, Classe de vrais positifs, Classe de vrais négatifs

Construire l'IA avec l'IA

De l'idée au lancement — accélérez votre développement IA avec du co-codage IA gratuit, un environnement prêt à l'emploi et les meilleurs prix GPU.

Co-codage IA
GPU prêts à utiliser
Meilleurs prix
Commencer

Hyper Newsletters

Abonnez-vous à nos dernières mises à jour
Nous vous enverrons les dernières mises à jour de la semaine dans votre boîte de réception à neuf heures chaque lundi matin
Propulsé par MailChimp
Taux De Vrais Positifs | Wiki | HyperAI