分类中错误率的确切定义是什么？为什么 一些研究人员使用错误率报告结果而不是准确性？ 我正在尝试将我的文本分类结果与文献中的其他方法进行比较，但是他们使用错误率而不是准确性，因此我无法找到确切的定义/方程式来找到方法的错误率。
答案 0 :(得分：2)
对于分类，您的输出是离散的（就像您将项目放入存储桶一样），因此准确性具有非常简单的定义：
准确度=（分类为正确的数量）/（分类为总计的数量）
错误率同样简单：
错误率= 1-精度= 1-（＃分类为正确）/（＃分类为总数）
=（＃分类错误）/（＃分类总数）
请注意，对于具有连续输出的任务，事情要复杂得多。如果我不是要把物品放在水桶中，而是要模型将物品放在数字行上，则精度不再是“正确” 和“错误” 的问题而是距离我的模型是正确的。这可以是平均接近度，中间接近度等。还有更复杂的度量，主要区别在于随着距离的增加，他们对距离的加权程度。也许稍微偏离一点点要比大大偏离一点点要糟糕得多，所以使用Root Mean Square错误度量是合适的。另一方面，无论是小幅偏离还是大幅度偏离，多出一点都不是件好事，所以对数误差度量会更好。
要回答问题的最后一部分：在离散情况下，为什么人们会选择精度与误差？光学是一回事：“ 99％准确” 发送的心理信息与“错误率1％” 不同。此外，将精度从99％提高到99.9％可使精度提高1％，但是将误差从1％降低至.1％则将误差降低90％，即使两者表示的是相同的真实世界改变。
否则，可能是个人喜好或写作风格。
感兴趣