{"resolved":true,"match_type":"uuid","source_type":"original_book","book_id":"cf76bc49-7e9b-4f42-bee8-3050a9fb9feb","title":"智慧的疆界 从图灵机到人工智能","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787111778004","requested_by":"printed_page","book":{"source_type":"original_book","book_id":"cf76bc49-7e9b-4f42-bee8-3050a9fb9feb","id":"cf76bc49-7e9b-4f42-bee8-3050a9fb9feb","uuid":"cf76bc49-7e9b-4f42-bee8-3050a9fb9feb","title":"智慧的疆界 从图灵机到人工智能","normalized_title":"智慧的疆界从图灵机到人工智能","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787111778004","isbns":["9787111778004","9787111695714"],"parsed":true,"ai_readable":true,"document_type":"book","page_count":456,"navigation_url":"https://workshop.closeclaw.top/ai/book/cf76bc49-7e9b-4f42-bee8-3050a9fb9feb","title_url":"https://workshop.closeclaw.top/ai/title/%E6%99%BA%E6%85%A7%E7%9A%84%E7%96%86%E7%95%8C%20%E4%BB%8E%E5%9B%BE%E7%81%B5%E6%9C%BA%E5%88%B0%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD","fixed_page_url_template":"https://workshop.closeclaw.top/ai/book/cf76bc49-7e9b-4f42-bee8-3050a9fb9feb/page/{printed_page}","path_api_url_template":"https://workshop.closeclaw.top/api/ai/book/cf76bc49-7e9b-4f42-bee8-3050a9fb9feb/page/{printed_page}","read_url":"https://workshop.closeclaw.top/api/ai/read/cf76bc49-7e9b-4f42-bee8-3050a9fb9feb","page_url":"https://workshop.closeclaw.top/api/ai/books/cf76bc49-7e9b-4f42-bee8-3050a9fb9feb/page","search_url":"https://workshop.closeclaw.top/api/ai/books/cf76bc49-7e9b-4f42-bee8-3050a9fb9feb/search"},"page":{"printed_page":231,"pdf_page":246,"physical_index":246,"physical_index_base":0,"printed_page_status":"recognized","page_sha256":"b80602a6f5095eb2a517b68f29ad017ac8c0985482d01e85c6518afb1e85c422"},"chapter":"内容简介","content":"第二个模型是一个压根不能工作的“坏模型”，它在这 10000 封邮件中完全没有找出任何垃圾邮件，如表 6-3 所示。\n\n奇怪的是，按照正确率的计算公式，在此场景下，这个不能工作的模型算出来的正确率居然更高，为 98.5%。计算过程为：\n\n显然，第二个不能工作的模型对我们而言没有任何价值，该场景下的正确率不能正确反映模型的性能，即我们所说的“正确率悖论”。这也是另外一个从侧面说明我们做机器学习研究时必须先理解问题，因地制宜地选取指标，不能抱着特定方法僵化操作的例子。\n\n现在我们需要采用另外的评价指标来对这个测试集进行度量，“精确率”是一个比较合适的选择。精确率是针对模型预测结果而言的，它是指“被模型正确标记的正例样本”在“被模型检索到的所有样本”中所占的比例，通俗点说就是“预测为正的样本中有多少是真正的正例样本”，再通俗点的说法就是“你的预测有多少是对的”。精确率反映的是模型的“查准比例”，它的计算公式如下所示：\n\n$$\n\\$ 123,456\n$$\n\n根据这个公式，可以算出前面两个模型的精确率，模型一的精确率是 100/$( 1 0 0 + 1 5 0 ) = 4 0 \\%$ ，而模型二没有工作，不论正确与否，它没有检索出任何一个样本，即公式中分母部分为零，因此精确率对模型二是毫无意义的，这就如实地反映出了一个无法工作的模型是没有意义的这个事实。使用精确率评估这两个模型的预测结果要比正确率更为合适。\n\n最后一个指标“召回率”是针对测试集中被正确检索的样本而言的，它表示的是样本中有多少正例被模型正确预测了。“正确预测”有两种可能，一种是把实际中的正例预测成真正例（TP），另一种是把实际中的反例预测成假反例（FN），即以下公式：\n\n第 6 章 机器学习概览\n\n231","previous_page":230,"next_page":232}