SVM 应该有多少百分比是准确的？答案

【问题标题】：What percentages should be expected for an SVM to be accurate?SVM 应该有多少百分比是准确的？
【发布时间】：2018-09-20 17:57:30
【问题描述】：

在我目前正在做的一项任务中，我训练了一个 SVM 用我的训练集得到结果

accuracy:   0.983
true  positive rate: 0.544
false positive rate: 0.006
true  negative rate: 0.439
false negative rate: 0.012

测试验证集的结果告诉我

 accuracy:   0.979
 true  positive rate: 0.816
 false positive rate: 0.003
 true  negative rate: 0.164
 false negative rate: 0.018

两者的准确性都很高，我认为这是一件好事，但对于真正的积极等，我应该瞄准什么价值观它们究竟是什么意思？

【问题讨论】：

【解决方案1】：

关于四个结果的含义：

真阳性：结果应该是阳性的（=1 类），模型的预测结果是阳性的（=1 类）-> 这个值高是好的！

假阳性：结果应该是阴性（=class 0），但模型返回的是阳性结果（=class 1）。事实上，模型混淆了这两个类，这很糟糕。因此，数字越小越好。

真否定：结果应该是否定的（=class 0），模型的答案是否定的（=class 0）。这很好，数字越大越好。

假阴性：结果应该是肯定的（=class 1），但模型返回的是否定的（=class 0）。这很糟糕，数字越小越好。

所有四个都是百分比。它们加起来应该等于 1 (=100%)。真阴性和真阳性率加起来就是准确率。

机器学习是非常特定于数据的，因此如果没有使用多种算法和参数测试您的特定数据，没有人能够判断出预期的性能。如果存在这样一个公式会很好，它可以告诉人们使用什么算法和参数，但实际上直到今天唯一已知的方法是针对特定问题测试不同的设置。

【讨论】：

【解决方案2】：

虽然马库斯的回答非常清楚地解释了什么是真/假阳性/阴性。这可能有点误导，因为问题要求他们各自的rate，这不是一回事。

这些是由真/假阳性/阴性产生的，因此您应该阅读维基百科上的 this 文章，解释这些比率究竟是什么。

其中 TP = 真阳性，FN = 假阴性等。

【讨论】：