Плюсы и минусы смуты: Плюсы и минусы Смутного времени.

Содержание

Причины и последствия смутного времени

Плюсы и минусы > История > Причины и последствия смутного времени

Время Смуты считается одним из тяжелейших этапов в истории русского государства (в частности государства Московского). Длилось оно с 1598 по 1613 г. и повлекло за собой кризис во внешней политике, экономике, духовной и социальной сферах.

Предпосылками возникновения Смутного времени считаются появление династического кризиса после смерти Ивана Грозного, самозванцев на престол (Лжедмитриев и других), восстаниями, следующими друг за другом военными столкновениями. Помимо этого, недовольство общества было обусловлено татарским нашествием, опричниной, повлекшей противостояние боярских объединений и Ливонской войной.

Причины

Последовательность причин Смутного времени можно соотнести следующим образом:

  1. Разорение страны после Ливонской войны 1558 г.
  2. Опричнина Ивана Грозного (1565-1572 гг.), которая привела к упадку экономической сферы и хозяйственному разорению. По мнению русского историка Е.Ф. Шмурло опричнина также повлекла за собой подрывание доверия к власти и закону.
  3. Закрепощение крестьян указами о заповедных летах (1581г.) и урочных летах (1597 г.). При Федоре Ивановиче был введен указ о сроках сыска беглых крестьян, что привело к еще большему недовольству населения.
  4. Завершение в 1598 г. династии Рюриковичей. После кончины Ивана Грозного на престоле оказался его сын Федор, прозванный Блаженным. Править государством он не мог вследствие его проблем с психикой и здоровьем. Это спровоцировало борьбу за власть между боярскими группировками. В итоге на престоле оказался более приближенный к Ивану Грозному Борис Годунов, ставший опекуном Федора.
  5. Недовольство бояр Борисом Годуновым. Согласно традициям того времени, чем род более знатный, тем более влиятельные должности могут занимать его представители.
    Годунов являлся дворянином, но не самого знатного рода. Также он вел активную деятельность в опричнине и был на стороне Грозного против бояр. Именно это являлось причиной гонения боярами Бориса Годунова, не смотря на его немалые способности управления государством.
  6. Противостояние между царской властью и боярами. Бояре стремились к сохранению и приумножению традиционных привилегий и политического влияния, а власть наоборот пыталась их ограничить.
  7. Великий голод 1601-1603 г., захвативший большую часть европейской территории страны. Неурожай 1601 г. был достаточно сильным, чтобы спровоцировать данное явление. Причиной этого по мнению метеорологов стало извержение вулкана в Испанском Перу в 1600 г., повлиявшее на изменение климатических условий. Вследствие голода большая часть народа переместилась в сторону Сибири, а также южных и восточных территорий – низовье Дона, Волги, Яика, что повлекло за собой определенное демографическое развитие.
  8. Появление самозванцев. Первый из самозванцев Лжедмитрий I в 1604 г., назвал себя выжившим младшим сыном Ивана Грозного – царевичем Дмитрием. Период его правления длился с 1 июня 1605г. по 17 мая 1606г. Высший класс был готов принять появившегося претендента на престол, а народ надеялся на освобождение от нескончаемой череды бед, считая его избавителем. Поддержку Лжедмитрия I оказывала интервенция со стороны Речи Посполитой. В 1607 Лжедмитрий I был убит вследствие заговора бояр Шуйских.
  9. Разлад в социальной сфере. Холопы, городовые казаки, казацкая вольница беглые крестьяне, бедный посадский народ, большая часть служилых людей (лиц, обязанных нести военную или административную службу государству) не принимали действующий строй.

Последствия

Смутное время породило множество негативных последствий, в списке представлены главные из них:

  • Утрата Смоленска на длительное время в ходе русско-польской войны 1609-1618 гг.
  • Захват шведами части восточной Карелии и потери выхода к Финскому заливу. С территории Карелии, не одолев религиозное и национальное засилье, ушла большая часть православных людей (и карелы, и русские).
  • Сильный хозяйственный упадок. Численность крестьян сократилась в 4 раза, а размер пашни в уездах исторического центра в 20 раз. Монастырские дворы были разорены интервентами, обработка земель также сократилась, произошел упадок торговли и промыслов.
  • Экономический упадок – разорение и запустение государства, нищета среди населения, запустение поместий, разорение казны.
  • Восстановление Юрьева дня (право крестьянина уйти от хозяина).
  • Сокращение численности примерно на одну треть населения государства после войны. По причине голода погибло до полумиллиона жителей.
  • Миграция населения.
  • Национальная независимость и сохранение российской государственности.
  • Положено начало династии Романовых в 1613 г. на Земском соборе. Правителем был избран Михаил Фёдорович Романов.
  • Рост влияния Земских соборов.

С началом правления Михаила Фёдоровича не сразу стало спокойнее. В 1613 г. происходит восстание в Тихвине, освобождение от шведов Великого Новгорода и Северо-Западной Руси, в которое входила оборона Пскова в 1615 г. До лета 1614 г. проявлял деятельность атаман И. Заруцкий, не разделяющий решение Земского собора, в Астрахани он пытался произвести протест новой власти. Отряд другого атамана при подступе к Москве был отражен воеводой Лыковым.

Казаки, мобилизованные для борьбы со шведами, подняв мятеж, разграбили местность верхнего Поволжья. Отряд пана Лисовского стремился нанести урон князю Пожарскому. Последний неудачный урон Москве в 1618 г. пытались нанести запорожцы гетмана Сагайдачного с поляками. Столбовский мирный договор, подписанный в 1617 г. окончил войну со Швецией.

Для восстановления государства после Смуты потребовался не один десяток лет. Сильнейший упадок почти во всех сферах определил дальнейший ход истории государства, страна уступала по многим показателям от европейских государств. Восхождение династии Романовых на престол открывает в последствии новый этап русской истории.

эксперты – об итогах эпохи Леонида Федуна

22 августа 2022 года «Лукойл» выкупил 100% акций «Спартака», и Леонид Федун покинул пост президента клуба. Таким образом, предприниматель больше не будет участвовать в управлении клубом, которым он владел более 18 лет. В чем плюсы и минусы эпохи Леонида Федуна, рассказали в интервью корреспонденту Mir24.tv футбольные эксперты.

«Главным плюсом работы Федуна в «Спартаке» является появившийся домашний стадион, которого раньше у клуба никогда за всю его почти столетнюю историю не было, – говорит заместитель генерального продюсера Матч ТВ Василий Конов. – Второе – это чемпионство, которого болельщики «Спартака» ждали очень долго. А третье – то, что благодаря финансированию Федуна в клубе появились очень сильные футболисты, которые вдохновляли настоящих ценителей футбола очень хорошим качеством игры».

Что касается минусов, то это огромное количество негатива, слухов, склок и разговоров, которые преследовали «Спартак», отмечает эксперт. «Все время возникали скандалы. Будь-то уход Артема Дзюбы после слов в адрес тренера Унаи Эмери, или увольнение главного тренера Микаэля Лаудрупа с помощью смски, или уход Валерия Карпина, которого Федун назвал «сбитым летчиком». Мне кажется, что руководители подобного уровня должны стараться, чтобы в их компании подобного публичного негатива и скандалов не было», – считает Конов.

«Второй минус ­ это очень маленькое количество трофеев. По сути, мы можем говорить только про чемпионство в сезоне 2016/2017 и Кубок России в год столетия команды в 2022 году. Наконец, минусом является недостаточно развитая инфраструктура. Все ждали, что будет работать и «Спартак-2», но сейчас его ликвидировали из-за отсутствия финансирования. И своих воспитанников у клуба не так много, как хотелось бы», – комментирует эксперт.

«В самом начале владения «Спартаком» в качестве председателя совета директоров, в 2004-2005 годах, Леонид Федун очень много сделал для того, чтобы «Спартак» миновал период смуты, который был до того, – говорит футбольный комментатор Роман Трушечкин. – В начале 2000-х «Спартак» рухнул в рейтингах. Но Леонид Федун значительно укрепил финансовую самостоятельность клуба. Стали приобретаться игроки очень высокого класса. Многие из них потом перешли в западноевропейские клубы. С этими футболистами «Спартак» вернулся в чемпионскую борьбу и на вершины рейтингов».

При Федуне «Спартак» неоднократно завоевывал медали, отмечает эксперт. «Во время его правления «Спартак» один раз стал чемпионом России, шесть раз становился серебряным призером РПЛ и один раз завоевал бронзу.

Также футбольный клуб по одному разу завоевал Кубок и Суперкубок России. Как раз в этом году после завоевания кубка Леонид Арнольдович и обмолвился впервые о том, что его цикл в «Спартаке» завершается. Он начался завоеванием кубка в 2003 году и завершается завоеванием кубка в 2022 году. И тогда все заподозрили, что происходит процесс передачи управления клубом каким-то другим лицам. Теперь это подтвердилось», – говорит Роман Трушечкин.

Из отрицательных сторон эксперт отмечает, что некоторые события действительно бросали тень на имидж «Спартака» как спортивной гордости страны. «Потому что клуб окружало очень много слухов, клуб все время фигурировал в скандалах, конфликтовал с арбитрами и пытался привлекать арбитров из-за рубежа для работы на своих матчах. В общем, в информационной составляющей было много того, что не соответствовало статусу клуба», – комментирует эксперт.

«Кроме того, в «Спартаке» очень часто менялись тренеры и концепции. Привлекался тренер, с ним связывались большие надежды, но очень быстро наступало разочарование и тренера увольняли.

Это стало регулярным аттракционом для футбольных болельщиков, – говорит эксперт. – Но при этом Федун всегда соответствовал своим внутренним запросам на то, как должен выглядеть спартаковский стиль. Он долго колебался между тем, чтобы привлекать тренеров и игроков под более современные силовые концепции, и тем, чтобы отдавать дань памяти болельщикам, которые застали эпоху Константина Бескова и Олега Романцева. Он привлекал тренеров, которые ставили команде комбинационный, мягкий, интересный игровой стиль. Но в последнее время этот ностальгический вектор закончился, и все последние тренеры «Спартака» – это погоня за современностью, за тенденциями, которые есть в Западном футболе.

«В итоге нужно сказать, что Федун сохранил «Спартак» как претендента на высокие места и звания. Куда бы клуб ни приехал, его встречают по-прежнему как огромную величину. Да, вокруг клуба всегда были скандалы, но к нему никогда не было равнодушия – все следили за «Спартаком». Так что в любом случае Федун – это историческая фигура, и его эпоха – это период, который по прошествии времени болельщики будут, возможно, вспоминать с ностальгией», – подытожил Роман Трушечкин.

Нынешние перестановки, конечно, повлекут за собой смену всей управленческой команды, уверен Василий Конов. В клуб придут новые люди. Сейчас все ждут назначения нового совета директоров. «Туда наверняка войдут и менеджеры «Лукойла», и приглашенные специалисты. Уже фигурировала фамилия экс‑главы Российской премьер‑лиги Ашота Хачатурянца, и я думаю, что для «Спартака» это будет хорошим вариантом», – заключил футбольный эксперт.

Автор : Татьяна Рублева

Персоны : ЛЕОНИД ФЕДУН

Теги : СПАРТАК

Матрица путаницы в двух словах.

Все о матрице путаницы за 5 минут | Рамья Видияла | Analytics Vidhya От путаницы к ясности! (Изображение с сайта Pixabay)

Когда создается модель, для ее развертывания и принятия бизнес-решений на основе этой модели нам необходимо знать, насколько хорошо модель работает. Показатели производительности входят в картину для этой проблемы.

Одна простая мера точность . Точность — это просто отношение количества точек, правильно предсказанных моделью, к общему количеству точек в наборе данных при измерении производительности.

Тогда почему не точность?

Точность имеет свои недостатки. Одним из таких недостатков является то, что для несбалансированных данных, когда модель предсказывает, что каждая точка принадлежит метке большинства классов, точность будет высокой. Но модель не точная. А в реальном мире данные обычно несбалансированы.

Следовательно, нам нужна другая метрика, которая может обрабатывать несбалансированных данных . А вот и матрица путаницы .

В этом блоге мы обсудим Матрицу путаницы и различные показатели, основанные на Матрице путаницы; и как рассчитать каждое из этих значений с помощью игрушечного набора данных.

Содержание:

  1. Матрица путаницы
  2. Точность, отзыв, оценка F1
  3. Расчет каждый, используя пример
  4. Реализация кода для расчетов с использованием Python

Что такое 6968 9 68 668 668 668 668 6666668 68 6666668?

Матрица путаницы может использоваться для данных, в которых мы уже знаем фактические целевые переменные. Это помогает нам визуализировать производительность модели.

Матрица путаницы — это сводка прогнозируемых результатов в определенном формате таблицы, которая позволяет визуализировать показатель производительности модели машинного обучения для задачи бинарной классификации (2 класса) или задачи многоклассовой классификации (более 2 классов)

Давайте разберемся в матрице путаницы, используя бинарную классификацию, метки классов которой, скажем, 0 (или отрицательный) и 1 (или положительный).

Каждый столбец в матрице путаницы будет представлять фактическое значение метки класса, а каждая строка будет представлять прогнозируемое значение метки класса.

Матрица путаницы задачи бинарной классификации

TP означает True Positive . Это можно интерпретировать как предсказанный моделью положительный класс, и это правда.

FP означает Ложное срабатывание . Его можно интерпретировать как предсказанный моделью положительный класс, но это неверно.

FN означает Ложноотрицательный результат . Его можно интерпретировать как предсказанный моделью отрицательный класс, но это False.

TN означает True Negative . Это можно интерпретировать как предсказанный моделью отрицательный класс, и это правда.

Небольшой хак, который нужно запомнить, это теги для каждой ячейки (скажем, TP) — это второй член в ячейке — это предсказанное имя класса (например, P, положительный в TP) и первый член в ячейке является правильностью прогноза т. е. True или False (T, True, что фактическая и прогнозируемая метка класса совпадают в TP)

Поиск матрицы путаницы помогает нам найти различные показатели производительности, такие как Precision, Recall и F1 Score.

ТОЧНОСТЬ — это метрика, которая сообщает нам, сколько из всех точек, предсказанных моделью, является положительным, сколько из них на самом деле являются положительными.

Математическая формула для точности

ПОМОЩЬ — это метрика, которая говорит нам из всех положительных точек, которые есть в наборе данных, сколько модель предсказала правильно.

Математическая формула для отзыва

Когда мы хотим сравнить 2 модели, сравнение, основанное на точности и отзыве, становится сложным. Итак, мы используем единая оценка, основанная на точности и вызове вместо самих этих значений. Это единственное значение F1 Score .
F1 Score — это просто Гармоническое среднее Отзыва и Точности.

Математическая формула для оценки F1

Давайте возьмем задачу классификации бинарных классов и рассчитаем матрицу путаницы, точность, полноту и оценку F1.

Здесь общее количество точек равно 7, а точек с меткой класса 0 — 3, а с меткой класса 1 — 4. Из 7 точек модель предсказала 3 точки как класс 0 и 4 точки как класс 1.

Давайте найдем TP (Истинно Положительный). Есть 4 точки, которые предсказаны как 1 (проверьте « y pred» ), и из этих 4 точек только 2 точки фактически принадлежат классу 1 (проверьте «). Таким образом, TP равно 2.

Матрица путаницы после вставки TP

. А оставшиеся 2 точки, которые классифицируются как класс 1 (проверьте « y pred» ), на самом деле относятся к классу 0 (проверьте «). Следовательно, FP равен 2.

Матрица путаницы после вставки TP, FP

Поскольку есть 3 точки, которые классифицируются как класс 0 (отметьте « y pred’ ), только 1 точка действительно относится к классу 0 (проверьте ‘ y’ ). Следовательно, TN равно 1.

Матрица путаницы после вставки TP, FP, TN

И оставшиеся 2 точки, которые классифицируются как класс 0 (проверьте « y pred» ), но на самом деле принадлежат к классу 1 (проверьте «). . Следовательно, FN равно 2.

Матрица путаницы после вставки TP, FP, TN, FN

Теперь вычисление Precision, Recall, оценка F1:

Расчет точностиРасчет отзываРасчет F1 Score

Точность, отзыв, оценка F1 находится в диапазоне от 0 до 1.

Чем выше оценка F1, тем лучше модель.

Давайте теперь разберемся, как каждое из этих действий можно выполнить за один шаг даже для огромных данных с помощью Python.

 y_actual = [0,1,0,1,1,0,1] 
y_pred =[0,0,1,1,0,1,1]

Мы используем приведенные выше данные в виде списка.

Внедрение показателя точности ,

 из sklearn.metrics0159 

Выход: Оценка точности 0,42857142857142855

Таким же образом, давайте реализуем Матрица путаницы ,

 из Sklearn. metrics Improbreding_matrix 
Print ("Conforce Matrix")
Conform_matrix
Print ("Conforce Matrix")
Conform_matrix
, y_pered, y_ctred, y_redelix, y_pered, y_ctreed, y_redelix, y_rederix, y_red,
,

(y_actulix
, y_red. matrix
array([[1, 2],
[2, 2]], dtype=int64)

Теперь давайте реализуем вычисление точности, отзыва, оценки f1 в одной строке.

 из sklearn.metrics импортаclassification_report 
print(classification_report(y_actual,y_pred))

Вывод:

 точный отзыв f1-score support 

0 0,33 0,33 0,33 3
1 0,50 0,50 0,50 4

Да, независимо от размера одной строки кода данных, можно использовать с помощью sklearn. Благодаря sckit-learn!

Спасибо, что прочитали. В будущем я собираюсь писать больше постов для начинающих. Следуйте за мной на Medium, чтобы быть в курсе о них. Я приветствую отзывы, и со мной можно связаться в Twitter ramya_vidiyala и LinkedIn RamyaVidiyala. Приятного обучения!

Что такое матрица путаницы?.

Все, что вы должны знать о… | Ануганти Суреш | Analytics Vidhya

Все, что вы должны знать о матрице путаницы для машинного обучения

A Матрица путаницы — это матрица N x N , используемая для оценки производительности модели классификации

8 , где N равно

8 0 , где N количество целевых классов . Матрица сравнивает фактические целевые значения с предсказанными моделью машинного обучения.

Проблема бинарной классификации (матрица 2x2)
  1. Хорошая модель — это та, которая имеет высокие скорости TP и TN , а низкие скорости FP и FN .
  2. Если у вас есть несбалансированный набор данных для работы, всегда лучше использовать матрицу путаницы в качестве критерия оценки вашей модели машинного обучения.

Матрица путаницы представляет собой табличную сводку числа правильных и неправильных прогнозов , сделанных классификатором. Он используется для измерения производительности модели классификации. Его можно использовать для оценки производительности модели классификации путем расчета показателей производительности, таких как точность, достоверность, полнота и оценка F1.

Матрицы путаницы широко используются, поскольку они дают лучшее представление о производительности модели, чем точность классификации. Например, в точности классификации нет информации о количестве ошибочно классифицированных экземпляров. Представьте, что ваши данные имеют два класса , где 85% данных относятся к классу A , а 15% относятся к классу B . Кроме того, предположим, что ваша модель классификации правильно классифицирует все экземпляры класса A и неправильно классифицирует все экземпляры класса B. В этом случае точность модели составляет 85%. Однако класс B неправильно классифицируется, что нежелательно. Матрица путаницы, с другой стороны, отображает правильно и неправильно классифицированных экземпляров для всех классов и, следовательно, даст лучшее представление о производительности вашего классификатора.

Точность модели можно измерить двумя способами. Точность просто означает количество правильно предсказанных значений.

1. Матрица путаницы

2. Мера классификации

Следующие 4 являются основными терминами, которые помогут нам в определении показателей, которые мы ищем.

  • True Positives (TP) : когда фактическое значение положительное, а прогнозируемое также положительное.
  • Истинные негативы (TN) : когда фактическое значение отрицательное, а предсказание также отрицательное.
  • Ложные срабатывания (FP) : Когда фактическое значение отрицательное, а прогноз положительный. Также известна как ошибка типа 1
  • Ложноотрицательные результаты (FN) : когда фактическое значение является положительным, а прогноз отрицательным. Также известна как ошибка типа 2

Для задачи двоичной классификации у нас будет матрица 2 x 2, как показано ниже, с 4 значениями:

Матрица путаницы для двоичной классификации
  • Целевая переменная имеет два значения: Положительные или Отрицательные
  • Столбцы представляют Фактические значения из целевой переменной
  • строки представляют предсказанные значения целевых
.

Возьмем пример:

Всего у нас есть 2 0 кошек и собак, и наша модель предсказывает, кошка это или нет.

Фактические значения = ['собака', 'кошка', 'собака', 'кошка', 'собака', 'собака', 'кошка', 'собака', 'кошка', 'собака', 'собака' , 'собака', 'собака', 'кошка', 'собака', 'собака', 'кошка', 'собака', 'собака', 'кошка']
Прогнозируемые значения = ['собака', 'собака', 'собака', 'кошка', 'собака', 'собака', 'кошка', 'кошка', 'кошка', 'кошка', 'собака', ' собака", "собака", "кошка", "собака", "собака", "кошка", "собака", "собака", "кошка"]

Истинный положительный результат (TP) = 6

Вы предсказали положительный результат, и это правда. Вы предсказали, что животное — это кошка, и это действительно так.

True Negative (TN) = 11

Вы предсказали отрицательный результат, и это правда. Вы предсказали, что животное не кошка, и на самом деле это не кошка (это собака).

Ложноположительный результат (ошибка типа 1) (FP) = 2

Вы предсказали положительный результат, и он оказался ложным. Вы предсказали, что животное — это кошка, но на самом деле это не так (это собака).

Ложноотрицательный результат (ошибка типа 2) (FN) = 1

Вы предсказали отрицательный результат, и он оказался ложным. Вы предсказали, что это животное не кошка, но это действительно так.

По сути, это расширенная версия матрицы путаницы. Существуют меры, отличные от матрицы путаницы, которые могут помочь лучше понять и проанализировать нашу модель и ее производительность.

а. Точность

б. Точность

в. Отзыв (TPR, чувствительность)

d. F1-Score

e. FPR (ошибка типа I)

f. FNR (ошибка типа II)

а. Точность:

Точность просто измеряет, как часто классификатор делает правильный прогноз. Это отношение количества правильных прогнозов к общему количеству прогнозов.

Показатель точности равен не подходит для несбалансированных классов . Точность имеет свои недостатки , для несбалансированных данных , когда модель предсказывает, что каждая точка принадлежит метке класса большинства, точность будет высокой. Но модель не точная.

Это мера правильности , которая достигается в истинном предсказании . Проще говоря, он говорит нам, сколько прогнозов действительно положительных из всех всего положительных предсказано .

Точность является допустимым выбором оценки для задач классификации которые хорошо сбалансированы и не перекошены или нет дисбаланса классов.

б. Точность :

Это мера правильности , которая достигается в истинном предсказании . Простыми словами, он говорит нам, сколько прогнозов фактически положительное из всех общее положительное предсказанное .

Точность определяется как отношение общего числа правильно классифицированных положительных классов к общему числу предсказанных положительных классов . Или из всех прогностических положительных классов, сколько мы предсказали правильно. Точность должна быть высокой (в идеале 1).

Точность является полезной метрикой в ​​тех случаях, когда ложные положительные является более высокой проблемой, чем Ложные негативы

Ex 1:- В обнаружении спама : необходимость сосредоточиться на Precision

Предположим, что почта не является спамом , но модель предсказана как спам: FP (ложноположительный результат). Мы всегда стараемся уменьшить FP.

Пример 2:- Точность важна в Системы рекомендаций по музыке или видео, веб-сайты электронной коммерции и т. д. . Неправильные результаты могут привести к оттоку клиентов и нанести вред бизнесу.

в. Напомним:

Это мера фактических наблюдений , которые предсказаны правильно , то есть сколько наблюдений положительного класса фактически предсказано как положительное. Он также известен как Чувствительность . Отзыв является допустимым выбором метрики оценки, когда мы хотим зафиксировать как можно больше положительных результатов .

Отзыв определяется как отношение общего числа правильно классифицированных положительных классов к общему количеству положительных классов . Или из всех положительных классов, сколько мы предсказали правильно. Отзыв должен быть высоким (в идеале 1).

Отзыв - это полезный показатель в тех случаях, когда Ложно отрицательный Трампа Ложно положительный

EX 1:- . Предположим, у него рак (или не рак)? Он страдает от рака , но модель предсказывает, что не страдает от рака

Пример 2:- Вспомнить важно в медицинских случаях , где не имеет значения, поднимем ли мы ложную тревогу, но фактические положительные случаи не должны остаться незамеченными!

Отзыв был бы лучшим показателем, потому что мы не хотим случайно выписать зараженного человека и позволить ему смешаться со здоровым населением, тем самым распространяя заразный вирус

7 9.

0007 9. Теперь вы можете понять, почему точность была плохой метрикой для нашей модели.

Уловка для запоминания: Pre cision has Pre

6 9006 Pre

6 90

4. F-мера / F1-оценка

Оценка F1 представляет собой число между 0 и 1 и представляет собой среднее гармонического 900 точности и отзыва. Мы используем гармоническое среднее, потому что оно не чувствительно к очень большим значениям, в отличие от простых средних.

Оценка F1 как бы поддерживает баланс между точностью и отзывом для вашего классификатора. Если ваша точность низкая , F1 низкая и если отзыв низкая , снова ваша оценка F1 низкая .

Будут случаи, когда нет четкого различия между тем, что важнее: Точность или Отзыв . Мы объединяем их!

На практике, когда мы пытаемся повысить точность нашей модели, полнота уменьшается, и наоборот. Оценка F1 отражает обе тенденции в одном значении.

Оценка F1 представляет собой среднее гармоническое Точности и отзыва. По сравнению со средним арифметическим, гармоническое среднее больше наказывает крайние значения. F-оценка должна быть высокой (в идеале 1).

5. Чувствительность и специфичность

Мы не можем полагаться на одно значение точности в классификации, когда классы несбалансированы. Например, у нас есть набор данных из 100 пациентов, у 5 из которых диабет, а у 9 — диабет.5 здоровы. Однако, если наша модель предсказывает только класс большинства, то есть все 100 человек здоровы, даже если у нас есть точность классификации 95%.

а. Точность используется, когда более важны True Positives и True Negative s. Точность — лучшая метрика для Balanced Data.

б. Всякий раз, когда Ложное срабатывание гораздо важнее, используйте Точность.

в. Всякий раз, когда False Negative гораздо важнее, используйте Recall.

д. F1-Score используется, когда Ложноотрицательные и Ложноположительные важны. F1-Score — лучшая метрика для Несбалансированные данные.

Чтобы объяснить с помощью кода Python, рассмотрим набор данных «предсказать, есть ли у кого-то болезнь сердца» на основе их пола, возраста, артериального давления и ряда других показателей. Набор данных имеет столбцов из 14 и строк из 303 .

График подсчета, показывающий, у скольких сердечных заболеваний или нет.

Отчет о классификации:

classification_report() принимает список фактических меток, список прогнозируемых меток и необязательный аргумент для указания порядка меток. Он рассчитывает такие показатели производительности, как точность, отзыв и поддержка.

Матрица путаницы:

путаница_матрица() принимает список фактических меток, список предсказанных меток и необязательный аргумент для указания порядка меток. Он вычисляет матрицу путаницы для заданных входных данных.

Спасибо за внимание!

Спасибо, что прочитали. В будущем я собираюсь писать больше постов для начинающих. Следуйте за мной на Medium, чтобы быть в курсе о них. Я приветствую отзывы, и со мной можно связаться на LinkedIn anuganti-suresh.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *