Tasa de clasificación errónea, ¿quién tiene razón?<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />
¡Hola! JMP fans y expertos
En la regresión logística, la partición y el modelo de red neuronal, la tasa de clasificación errónea actúa como una medida importante para determinar qué modelo es mejor o no. En mi entendimiento, Cuanto menor sea el valor de la tasa de clasificación errónea, mejor será el modelo; Sin embargo, me confundieron los siguientes casos. En el primer caso, me dijeron que uno más grande es mejor, pero en el segundo caso, me dijeron que uno más pequeño es mejor.
Fans y expertos de JMP, ¿quién puede ayudarme a superar este problema? Y dame más interpretación sobre ese escenario.
1. Primer caso
2. El segundo caso
Re: tasa de clasificación errónea, ¿quién tiene razón?¿Está utilizando algún tipo de sistema "experto" para producir las narraciones asociadas con cada tabla? El segundo caso es obviamente el resultado relacionado con JMP de la plataforma de comparación de modelos JMP Pro. No me queda claro qué paquete de análisis produjo la imagen del caso # 1.
Sin embargo, habiendo preguntado esto, supongo que al menos en el caso uno, el criterio definitivo que se está utilizando para determinar el "mejor" modelo es la estadística AICc y no la tasa de clasificación errónea. El estadístico AICc es uno de esos diagnósticos de regresión "más bajo es mejor" ... así que dado que ese modelo tiene el AICc más bajo ... el sistema está seleccionando ese modelo como el "mejor".
A continuación se incluye un tutorial general de interpretación de diagnósticos de regresión / modelado. Grito desde los tejados siempre que puedo para NUNCA usar UNA sola medida, gráfica o estimación de diagnóstico de regresión para determinar el mejor modelo. Al final de cada problema de modelado, animo a los tomadores de decisiones a que siempre determinen su "mejor" modelo con "¿Qué modelo me ayuda a resolver mejor mi problema práctico?" Ese es el modelo que debe elegir ... no el modelo con el R ** 2 más alto, la proporción F, el AICc o el gráfico residual de aspecto más atractivo ... o cualquier otra construcción matemática / gráfica.
Especialmente en problemas de tipo de clasificación ... a menudo hay consecuencias prácticas muy diferentes para las diferentes categorías de errores de clasificación ... la tasa de errores de clasificación es la suma de TODAS las errores de clasificación. Piense en los diagnósticos de cáncer como un ejemplo ... consecuencias muy diferentes para falsos negativos o falsos positivos. Por lo tanto, podría elegir un "mejor" modelo que minimice las consecuencias PRÁCTICAS de una de las categorías de clasificación errónea ... a expensas de una tasa más alta en la otra.
