多类分类的javaml结果解释

我对分类准确性的理解一直是“正确分类的实例除以实例”。 使用JavaML并将LibSVM应用于多标签问题，我可以获得每个类的准确度（和其他度量）。我不知道它们之间有什么联系，总体准确度是多少

例如，对于我的三级问题，我得到以下结果：

Anger: Accuracy = 0.48148148148148145 | F = 0.35 | Precision = 0.310126582278481 | Error rate = 0.5185185185185185
Neutral: Accuracy = 0.9971509971509972 | F = 0.0 | Precision = NaN | Error rate = 0.002849002849002849
Surprise: Accuracy = 0.47863247863247865 | F = 0.5653206650831354 | Precision = 0.616580310880829 | Error rate = 0.5213675213675214

我的代码如下所示：

Map<Object, PerformanceMeasure> pm = cv.crossValidation(data, 5);
for (Object o : pm.keySet()) {
                System.out.println(o + ": Accuracy = " + pm.get(o).getAccuracy()
                        + " | F = " + pm.get(o).getFMeasure()
                        + " | Precision = " + pm.get(o).getPrecision()
                        + " | Error rate = " + pm.get(o).getErrorRate());
}

Map pm=cv.crossValidation（数据，5）；
对于（对象o:pm.keySet（））{
System.out.println（o+”：accurity=“+pm.get（o）.getaccurity（）
+“| F=“+pm.get（o）.getFMeasure（）
+“| Precision=“+pm.get（o）.getPrecision（）
+“|错误率=“+pm.get（o.getErrorRate（））；
}

如果类的分布不均匀，那么总体准确度就没有那么高，这在您的案例中可能是正确的。如果需要，您仍然可以计算一个，请参见：

为了回答你关于它们之间关系的另一个问题，我们将按班级计算结果。因此，对于中性（情绪？）来说，尽管你没有预测一个中性的例子（你的数据集中可能没有），但你的准确率很高（超过99%）。你的准确度正在提高，因为你把其他一切都称为“非中立”，而且有很多这样的情况。其他案例更容易理解，因为它们有正面和负面的例子以及更合理的数字。希望这有帮助