تخطّي إلى المحتوى
Kudos AI

مستكشف مقاييس التصنيف

حرّك عتبة القرار عبر مجتمع غير متوازن وراقب الدقة والاستدعاء وF1 ونقطة ROC تتحرك معها - بما في ذلك الحالة التي تبدو فيها الصحّة ممتازة بينما النموذج عديم الفائدة.

مجانيتعلّم الآلةالإحصاء

مستكشف مقاييس التصنيف

حرّك العتبة وراقب المفاضلة بين الدقة والاستدعاء.

الدقة
9.8%
الاستدعاء
84.1%
F1
17.5%
الصحّة
84.1%
خط الأساس للفئة الأكثر شيوعًا
98.0%

مصفوفة الالتباس

مُتنبَّأ +مُتنبَّأ −
فعلي +16832
فعلي −1,5558,245

AUC لمنحنى ROC: 0.921

منحنى ROC

FPRTPR

رفع العتبة يشتري دقةً على حساب الاستدعاء، وخفضها يفعل العكس. ومع فئة إيجابية نادرة تكاد الصحّة لا تنفع: فهي محكومة بالسلبيات، حتى إن نموذجًا لا يُطلق إنذارًا أبدًا يحصل على درجة عالية. الدقة والاستدعاء هما الملخّص الأمين.

يعمل بالكامل داخل متصفّحك. لا يُرفع أي شيء تُدخله ولا يُخزَّن.

الأفكار وراء هذه الأداة

قراءة 7 دقيقةالتعلّم الموجَّه

الانحدار اللوجستي والتصنيف

لماذا لا يستطيع المستقيم نمذجة احتمال، وكيف تعالج الدالة اللوجستية ذلك، وما معنى المعاملات بلغة لوغاريتم الأرجحية، مع خطوة صعود تدرّجي وملاءمة متقاربة محسوبتين ومتحقَّق منهما عددياً.

الإحصاءتعلّم الآلةالتحسين
قراءة 6 دقيقةأسس التعلّم الإحصائي

ما هو التعلّم الإحصائي؟

الإطار الكامن وراء كل نموذج تنبّؤي: تقدير دالة مجهولة f من البيانات، والفصل بين الخطأ القابل للتقليص وغير القابل له، ولماذا يشدّ التنبّؤ والاستدلال في اتجاهين متعاكسين.

الإحصاءتعلّم الآلةالرياضيات