评估指标与二进制分类相关的功能有何区别？

Question

我很难在脑海中试图将这两个概念分开。

我知道评估指标（例如BLEU）可用于衡量给定输入相对于参考的质量（如机器翻译中）。但这个分数是否可以用于将句子分为两类？例如，具有高于0.50的特定评估度量分数的句子将被给予“是”，而低于0.50的所有句子给出“否”。

此外，这可能与机器学习算法中使用的功能有关吗？例如，假设短语“过去”是数据的一个可能特征，然后可用于将输入分类为具有此功能。

Answer 1

在这里，您似乎完全忽略了基本概念的含义。

• 评估指标是一个函数，给出：一些模型/算法答案和一些黄金标准（真实答案，由专家提供）衡量您的模型/算法有多好。它没有任何东西（好的，没有什么，因为它经常在交叉验证和调整模型的参数中使用）与实际的分类过程有关。 不用于做出任何决定，它是一种量化结果有多好的方法。
• 功能只是数据表示，因此在某种意义上说，它们是问题的一部分，并且可靠地正确选择功能（也称为功能工程 ）对您的模型质量有很大影响。但“数据的一个可能的特征，然后可用于将输入分类为具有此功能与否”是相当无意义的。 Feature是某个函数的值，通常称为特征检测器，让我们调用它f，它应用于您的输入对象x返回一些值，例如 - number或0/1（有没有/有一些现象的代表。例如，这样的特征可能是（对于文本文档）“给定的文本包含过去的子字符串”，所以f("I like trains")=false (0)和f("I liked trains in the past")=1 (true)。你不训练分类器来检测特征，你提取它们使用一些简单（高效）的算法来表示你的数据，然后用它们将它们分类到某些类。一旦你有f，就没有必要“将输入分类为具有这个功能”，因为{{1 完全这个。当然，实际上可以训练分类器，以便在某些数据点不可用时“填充”缺失的特征，但这是一个更高级的主题，它确实似乎不是你问题的一部分。

我建议你在Andrew Ng的机器学习中观看一些精彩的介绍视频，在课程平台上可用：https://class.coursera.org/ml/lecture/preview