Machine learning in python - 13 - Come leggere la matrice di confusione, la precisione e il richiamo

Corso di machine learning in python e scikit-learn col Pollo Watzlawick!
In questa puntata:
Matrice di confusione con scikit-plot
Precisione
Richiamo
Esempi di quando servono precisione e richiamo
----
===============================================
PLAYLIST COMPLETA:
• Machine learning in py...
================================================
Corsi AVANZATI del Pollo Watzlawick:
pollo-watzlawi...
================================================
Per FORMAZIONE e CONSULENZA sulla data science contattami:
pieroit.org/por...
================================================
#machinelearning #machinelearningita #python #pollowatzlawick #pierosavastano #pieroit

[@lucasantagata4551]

Non che le altre non lo fossero, anzi, ma questa spiegazione è stata davvero chiarissima. Il corso mi sta piacendo un sacco!

[@PieroSavastano]

Grazie Luca sono contento! Se arrivi vivo alla fine del corso vivo, ce ne sono anche di premium per andare sul professionale. Se mentre segui hai domande, fai pure!

[@benito310593]

Grazie.

[@sergiomenegon2285]

Non sono convinto di aver capito bene esempio dell'allarme . Alta accuratezza, se ho colto, vuol dire che se suona molto probabilmente c'è il ladro ( ma potrebbe non suonare con il ladro)...alto richiamo vuol dire che suona "sicuramente" con il ladro ma... Potrebbe suonare per nulla. Ho capito bene?

[@PieroSavastano]

Si, più o meno

[@marcoscal98]

Molto chiaro

[@luigirinna272]

Ciao, a me questa parte non è sembrata tanto banale. E' corretto quanto segue ? Accuracy : mi dice qual'è la probabilità che la predizione sia azzeccata in generale , ovvero senza porre attenzione ad un particolare target. Invece precisione e richiamo pongono l'attenzione su un particolare target. Precisione : risponde alla domanda : "quanto è probabile che la predizione del target in questione sia corretta ?" Richiamo : risponde alla domanda : "quanto è probabile che il target in questione sia valutato ?" Per tornare all'esempio dell'aids, anche se ho una accuracy elevatissima non è affatto detto che riuscirò a segnalare i casi di aids con buona probabilità ; solo una volta che ho buona probabilità di valutarli (richiamo) posso pormi il problema di quanto correttamente li abbia predetti (precisione)

[@PieroSavastano]

Ciao Luigi corretto Un modello ad alto richiamo fa tanti falsi positivi, ma becca tutti i veri positivi (tampone che spesso segnala il virus anche se non c'è) Un modello ad alta precisione fa pochi veri positivi, ma parecchi falsi negativi (tampone che non becca sempre il virus, ma quando dice che c'è ha ragione) Occhio che le feature sono gli input del modello, non confondere i termini in questo caso si parla di predizione, target, errori

[@luigirinna272]

@@PieroSavastano grazie della risposta e scusa la distrazione tra future e target; . Se posso correggo la domanda

[@ADE-sm1cw]

@@PieroSavastano quindi in questo caso l'accuracy fa una media tra la probabilita che il recall e la precisione siano corrette??

[@PieroSavastano]

@@ADE-sm1cw l'accuracy è solo la proporzione delle risposte corrette. Precisione e richiamo contano la correttezza di sottoinsiemi delle risposte

[@ADE-sm1cw]

@@PieroSavastano quindi per dire la precisione mi dice la probabilita di quanto le risposte corrette di accuracy siano effettivamente corrette?

[@pesceenrico9359]

non si capisce no si falso si si ma no :D :P

[@PieroSavastano]

Ci vuole una camomilla XD