题目内容

已知如下定义：True positives(TP): 被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数（样本数）；False negatives(FN):被错误地划分为负例的个数，即实际为正例但被分类器划分为负例的实例数；False positives(FP): 被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的实例数；True negatives(TN): 被正确地划分为负例的个数，即实际为负例且被分类器划分为负例的实例数。则下面定义正确的是：

A. 分类准确率 Accuracy=(TP+TN)/(P+N)
B. 精确率 Precision=TP/(TP+FP)
C. 召回率 Recall=TP/P
D. 以上都不对

查看答案

搜索结果不匹配？点我反馈

更多问题

A. F1
B. F2
C. F0.5
D. F3

A. (纵轴)敏感性高=漏诊率低，而(横轴)特异性低=误诊率高
B. (纵轴)敏感性高=漏诊率高，而(横轴)特异性低=误诊率高
C. (纵轴)敏感性高=漏诊率高，而(横轴)特异性低=误诊率低
D. (纵轴)敏感性高=漏诊率低，而(横轴)特异性低=误诊率低

A. 定义为ROC曲线下的面积
B. AUC值提供了分类器的一个整体数值。通常AUC越大，分类器更好
C. 取值范围为[0,1]
D. 其它都不对

A. 自动编码器常用于做生成模型
B. 动编码器不需要任何训练数据，完全是自动编码
C. 自动编码器可以用于数据的降维处理
D. 自动编码器学习到的新特征可以送入有监督学习模型中，所以自动编码器可以起到特征提取器的作用。