正确度和准确度的不同(甲子太岁八字)
正确度和准确度的不同
正确度和准确度是两个常用的概念，特别在统计学和机器学习范畴中经常被使用。固然它们有一点相像之处，但在现实操作中，它们具有不同之寓意和用途。本文将详细解释正确度和准确度的不同。
first of all，我们而定义这两个概念。准确度是指测量结果与真实值之间的接近程度。简来讲之，准确度测量的是测量结果的精确程度，即准确度高预示结果非常接近真实值，而准确度低则预示结果较远离真实值。而正确度其实指的是分类或预测推算结果与实际真实情况之间的匹配程度。换句话说，正确度衡量的是模型或算法在给定数据集上对实际情况的预测推算能力，正确度高预示模型的预测推算能力很好，而正确度低则预示模型的预测推算能力较差。
准确度和正确度的不同很明显。准确度是针对测量结果的，而正确度是针对分类或预测推算结果的。准确度关注的是数据的数值，而正确度关注的是数据的类别。准确度只考虑了测量结果是否接近真实值，但并不关心分类或预测推算结果是否正确。而正确度则更加关注分类或预测推算结果是否与实际情况相符。于是，即便测量结果非常接近真实值，但假如分类或预测推算结果错误，那么正确度仍然可能很低。
举个例子来说明这两个概念的不同。假设我们有一个二元分类模型，用于预测推算某个人是否患有某种疾病。我们有100个样本数据，其中有80个已经确定被确定是否生病（实际情况），而模型对这80个样本进行了预测推算。模型将60个样本预测推算为阳性，事实上这60个样本中有50个是阳性的，10个是阴性的；模型将二十个样本预测推算为阴性，事实上这二十个样本中有10个是阴性的，10个是阳性的。
first of all，我们来计算准确度。准确度等于正确分类的样本数除以总样本数，即(50+10)/(60+20)=60/80=75%。这象征着模型对于这80个样本的预测推算结果有75%是正确的。不过，这并不能用以衡量模型的性能，由于模型没有预测推算出阳性和阴性的平衡。假如我们只是将所有样本都预测推算为阳性，那么准确度也将达到75%。于是，准确度并不能准确地衡量模型的分类能力。
接着下面，我们来计算正确度。正确度等于模型预测推算正确的阳性和阴性样本数除以实际阳性和阴性样本数的总和，即(50+10)/(50+10+10+10)=60/80=75%。与准确度相比，正确度的计算只考虑了模型对于阳性和阴性的预测推算能力，而不但仅考虑预测推算结果是否接近真实值。于是，正确度更准确地衡量了模型的分类能力。
汇总起来，准确度和正确度在测量和评估数据时具有不同的用途和含义。准确度适合使用于测量测量结果的精确程度，而正确度则适合使用于衡量模型的分类能力和预测推算准确性。在进行数据剖析和模型评估时，我们应该依据具体情况来选择正确的度量标准，以便更好地理解和解释数据和模型的性能。