误分类率，谁对谁错？<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />
你好！ JMP 爱好者和专家
在Logistic回归、划分和神经网络模型比较中，误分类率作为判断模型优劣的重要指标？ 在我的理解中，误分类率的值越小，模型越好；但是，我对以下情况感到困惑。 在第一种情况下，我被告知较大的更好，但在第二种情况下，我被告知较小的更好。
JMP 粉丝和专家，谁能帮我解决这个问题？ 并给我更多关于这种情况的解释。
1. 第一种情况
2.第二种情况
Re: 误分类率，谁说的对？您是否使用某种“专家”系统来生成与每张桌子相关的叙述？ 第二种情况显然是 JMP Pro 模型比较平台的 JMP 相关输出。 我不清楚是什么分析包生成了案例 #1 的图片。
虽然问过这个问题，但我的猜测至少在第一种情况下，用于确定“最佳”模型的最终标准是 AICc 统计数据，而不是误分类率。 AICc 统计数据是其中一种“越低越好”的回归诊断……因此，由于该模型的 AICc 最低……系统将该模型选为“最佳”模型。
下面是一些一般的回归/建模诊断解释教程。 只要有可能，我就在屋顶上尖叫，从不使用单一的回归诊断措施、绘图或估计来确定“最佳”模型。 在每个建模问题结束时，我鼓励决策者始终确定您的“最佳”模型，“哪种模型最能帮助我解决我的实际问题？” 那是您应该选择的模型……而不是具有最高 R**2、F 比率、AICc 或看起来最吸引人的残差图的模型……或任何其他数学/图形构造。
尤其是在分类类型的问题中……不同类别的错误分类通常会产生非常不同的实际后果……错误分类率是所有错误分类的总和。 以癌症诊断为例……假阴性或假阳性的后果大不相同。 因此，我可能会选择一个“最佳”模型，以最大限度地减少其中一个错误分类类别的实际后果……以另一个类别的更高分类率为代价。
