ANN和KNN使用Weka进行鲍鱼数据集。
ANN的结果 正确分类的实例3183 76.203％ 错误分类的实例994 23.797％ 平均绝对误差0.214 均方根误差0.3349 相对绝对误差58.6486％
KNN |的结果 正确分类的实例3211 76.8734％ 错误分类的实例966 23.1266％ 平均绝对误差0.2142 均方根误差0.3361 相对绝对误差58.7113％
KNN具有高精度，但ANN具有低误差。那么我应该说哪两种算法更好？哪个是更优选的标准，准确度或误差？我理解的是误差应该以高精度降低。但结果却相反。为什么会这样呢？
答案 0 :(得分：1)
答案取决于您是要将问题视为分类（由您使用的算法建议）还是回归。如果这是一个分类问题，那么您应该只考虑正确/错误分类的实例的百分比。否则，错误。
要解释，正确分类的实例的百分比仅考虑预测是否准确，即预测2而不是1与预测10000不正确。原因是你得到的数据类错误，类之间没有差别大小的概念。另一方面，对于回归，您预测连续数量和差异的大小很重要。也就是说，如果实际值为1且预测为2，则模型比预测为10000时要好得多。
通过这种方式，您可以获得更好的准确度和更差的错误，反之亦然。发生的事情是你总体上得到了更正确的预测，但那些错误的预测会进一步脱离标记。
您想要使用哪种性能衡量标准取决于您的特定应用。您是否只关心是否预测了正确的类别，还是关于正确预测的距离？如果是后者，我建议使用回归而不是分类模型。