Znaczenie poprawnie sklasyfikowanych instancji Weka

Question

Niedawno zacząłem używać Weka i staram się klasyfikować tweety na pozytywne lub negatywne przy użyciu Naive Bayes. Mam więc zestaw szkoleniowy z tweetami, które dostarczyłem etykietą i zestawem testowym z tweetami, które mają etykietę "pozytywną". Kiedy wpadłem Naive Bayesa, mam następujące wyniki:

prawidłowo sklasyfikowanych instancje: 69 92% Błędnie sklasyfikowane przypadki: 6 8%

Następnie, jeśli mogę zmienić etykiety tweets w teście jest ustawiony na " negatywne”, raz za naiwny Bayesa, wyniki odwrócony:

prawidłowo sklasyfikowanych przypadki: 6 do 8% błędnej klasyfikacji przypadki: 69 92%

i uważał, że prawidłowo zaklasyfikowane przykłady pokazują dokładność naiwnych Bayesa i że powinno być takie samo nie znaczenie etykiet tweetów w zestawie testowym. Czy coś jest nie tak z moimi danymi lub nie rozumiem poprawnie znaczenia prawidłowo sklasyfikowanych wystąpień?

dziękuję za poświęcony czas,

Nantia

Answer 1

etykiety na zestawie testowym mają być rzeczywiste prawidłowa klasyfikacja. Wydajność oblicza się, prosząc klasyfikatora, aby zgadł co do klasyfikacji dla każdej instancji w zestawie testowym. Następnie przewidywane klasyfikacje są porównywane z rzeczywistymi klasyfikacjami w celu określenia dokładności. Dlatego jeśli odwrócisz "prawidłowe" wartości, które podasz, wyniki również zostaną odwrócone.

Answer 2

Na podstawie Twojego zestawu szkoleń, 69,92% Twoich instancji jest klasyfikowanych jako pozytywne. Jeśli etykiety zestawu testowego, czyli , poprawne odpowiedzi, wskazują, że wszystkie są pozytywne, to znaczy, że 69,92% jest poprawne. Jeśli zestaw testowy (a tym samym klasyfikacja) jest taki sam, ale zmieniasz poprawne odpowiedzi, to oczywiście prawidłowy procent będzie również odwrotny.

Należy pamiętać, że do oceny klasyfikatora potrzebne są prawdziwe etykiety zestawu testowego. W przeciwnym razie nie można porównać odpowiedzi klasyfikatora z prawdziwymi odpowiedziami. Wydaje mi się, że mógł pan to źle zrozumieć. Możesz uzyskać etykiety niewidocznych danych, jeśli tego chcesz, ale w takim przypadku nie możesz ocenić dokładności klasyfikatora.