誤分類率、正しいのは誰ですか?<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />
やあ！ JMP ファンと専門家
ロジスティック回帰、分割、およびニューラル ネットワーク モデルの比較では、誤分類率はどのモデルが優れているかどうかを判断するための重要な尺度として機能します。 私の理解では、誤分類率の値が小さいほど、モデルは優れています。しかし、私は次のようなケースに戸惑いました。 1回目の場合は大きい方が良いと言われましたが、2回目の場合は小さい方が良いと言われました。
JMP ファンと専門家の皆さん、この問題について説明してくれる人はいますか? そして、そのシナリオについてさらに解釈を加えてください。
1. 最初のケース
2. 2番目のケース
Re: 誤分類率、正しいのは誰ですか?各テーブルに関連付けられた説明を生成するために、ある種の「エキスパート」システムを使用していますか? 2 番目のケースは、明らかに JMP Pro モデル比較プラットフォームからの JMP 関連の出力です。 どの分析パッケージがケース #1 の状況を生成したかは不明です。
しかし、この質問をしたので、私の推測では、少なくともケース 1 では、「最良の」モデルを決定するために使用される最終的な基準は、誤分類率ではなく AICc 統計値であると考えられます。 AICc 統計は、「低いほど優れている」回帰診断の 1 つです...つまり、そのモデルの AICc が最も低いため、システムはそのモデルを「最良」として選択します。
一般的な回帰/モデリング診断の解釈に関するチュートリアルが続きます。 私はできる限り、単一の回帰診断尺度、プロット、または推定を使用して「最良の」モデルを決定しないようにと屋上から叫んでいます。 私は意思決定者に対し、すべてのモデリング問題の最後に、「実際の問題を解決するのに最も役立つモデルは何ですか?」と常に「最良の」モデルを決定することをお勧めします。 それが選択すべきモデルです...最高の R**2、F 比、AICc を持つモデル、または最も魅力的に見える残差プロット...またはその他の数学的/グラフィック構造ではありません。
特に分類タイプの問題では、多くの場合、さまざまなカテゴリの誤分類に対して非常に異なる実際的な結果が生じます。誤分類率は、すべての誤分類の合計です。 がんの診断を一例として考えてみましょう。偽陰性と偽陽性では、大きく異なる結果が生じます。 したがって、誤分類カテゴリの 1 つによる実際的な影響を最小限に抑える「最良の」モデルを選択するかもしれません...他のカテゴリの割合が高くなります。
