誤分類率，誰對誰錯？<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />
你好！ JMP 愛好者和專家
在Logistic回歸、劃分和神經網絡模型比較中，誤分類率作為判斷模型優劣的重要指標？ 在我的理解中，誤分類率的值越小，模型越好；但是，我對以下情況感到困惑。 在第一種情況下，我被告知較大的更好，但在第二種情況下，我被告知較小的更好。
JMP 粉絲和專家，誰能幫我解決這個問題？ 並給我更多關於這種情況的解釋。
1. 第一種情況
2.第二種情況
Re: 誤分類率，誰說的對？您是否使用某種“專家”系統來生成與每張桌子相關的敘述？ 第二種情況顯然是 JMP Pro 模型比較平台的 JMP 相關輸出。 我不清楚是什麼分析包生成了案例 #1 的圖片。
雖然問過這個問題，但我的猜測至少在第一種情況下，用於確定“最佳”模型的最終標準是 AICc 統計數據，而不是誤分類率。 AICc 統計數據是“越低越好”回歸診斷之一……因此，由於該模型的 AICc 最低……系統將該模型選為“最佳”模型。
下面是一些一般的回歸/建模診斷解釋教程。 只要有可能，我就在屋頂上尖叫，從不使用單一的回歸診斷措施、繪圖或估計來確定“最佳”模型。 在每個建模問題結束時，我鼓勵決策者始終確定您的“最佳”模型，“哪種模型最能幫助我解決我的實際問題？” 那是您應該選擇的模型……而不是具有最高 R**2、F 比率、AICc 或看起來最吸引人的殘差圖的模型……或任何其他數學/圖形構造。
尤其是在分類類型的問題中……不同類別的錯誤分類通常會產生非常不同的實際後果……錯誤分類率是所有錯誤分類的總和。 以癌症診斷為例……假陰性或假陽性的後果大不相同。 因此，我可能會選擇一個“最佳”模型，以最大限度地減少其中一個錯誤分類類別的實際後果……以另一個類別的更高分類率為代價。
