Performance 在WEKA中评估模型

我在数据集上应用了分类算法，得出了以下统计数据：

Correctly Classified Instances         684               76.1693 %
Incorrectly Classified Instances       214               23.8307 %
Kappa statistic                          0     
Mean absolute error                      0.1343
Root mean squared error                  0.2582
Relative absolute error                100      %
Root relative squared error            100      %
Total Number of Instances              898     

=== Detailed Accuracy By Class ===

               TP Rate   FP Rate   Precision   Recall  F-Measure   ROC Area  Class
                 0         0          0         0         0          0.5      1
                 0         0          0         0         0          0.5      2
                 1         1          0.762     1         0.865      0.5      3
                 0         0          0         0         0          ?        4
                 0         0          0         0         0          0.5      5
                 0         0          0         0         0          0.5      U
Weighted Avg.    0.762     0.762      0.58      0.762     0.659      0.5  

=== Confusion Matrix ===

   a   b   c   d   e   f   <-- classified as
   0   0   8   0   0   0 |   a = 1
   0   0  99   0   0   0 |   b = 2
   0   0 684   0   0   0 |   c = 3
   0   0   0   0   0   0 |   d = 4
   0   0  67   0   0   0 |   e = 5
   0   0  40   0   0   0 |   f = U

我可以理解大部分数据，但由于我是Weka新手，因此在解释这些值时存在问题： 1.总体报告的错误率是多少？ 2.如何解释模型是否有趣？

1总体误差度量 由于每个数字代表模型的不同方面，因此经常报告三重精度、召回率和F-测量

如果只想有一个数字，则采用错误分类实例的百分比或加权平均F值

其他误差度量也很有用，但它们需要我所缺乏的更深入的统计知识：-

2.这个模型有什么有趣的地方吗 从类和混淆矩阵的详细精度可以看出，该模型非常简单。它把所有的东西都归为3类。错误度量看起来相当成功，但这只是因为数据集中76%的实例具有类3。该模型与常用的基线算法（称为最常见类）相对应。

1总体误差度量 由于每个数字代表模型的不同方面，因此经常报告三重精度、召回率和F-测量

如果只想有一个数字，则采用错误分类实例的百分比或加权平均F值

其他误差度量也很有用，但它们需要我所缺乏的更深入的统计知识：-

2.这个模型有什么有趣的地方吗

---

从类和混淆矩阵的详细精度可以看出，该模型非常简单。它把所有的东西都归为3类。错误度量看起来相当成功，但这只是因为数据集中76%的实例具有类3。该模型与常用的基线算法（称为最常见类）相对应。

ROC区域在评估准确性和解释模型的有趣程度方面也很有用。简单地说，真阳性率与假阳性率相对应，ROC面积计算为曲线下方的面积。高ROC区域（例如0.9到1）表示模型非常擅长分类实例，而在您的模型中，ROC区域为0.5表示模型在分类方面并不比抛硬币这样的随机方法更好。

ROC区域在评估准确性和解释模型有多有趣方面也很有用。简单地说，真阳性率与假阳性率相对应，ROC面积计算为曲线下方的面积。ROC区域高，比如说0.9到1，表示模型非常擅长分类实例，而ROC区域为0.5表示模型在分类方面并不比抛硬币这样的随机方法更好。

似乎你的ML模型什么都学不到，只预测c类的所有考试分数。似乎你的ML模型什么都学不到，只预测c类的所有考试分数。