Метод оцінки точності моделі

Алгоритм кластеризації

Метод вимірювання середньої помилки

Крива залежності між істинно позитивними та хибно позитивними випадками

Відношення помилково класифікованих зразків до загальної кількості

Чутливість моделі

Відношення правильно класифікованих зразків до загальної кількості

Частка хибних позитивних випадків

Вона розділяє різні класи з максимально можливим відступом

Вона використовується для зменшення розмірності ознак

Це границя між кластерами у задачі кластеризації

Це фіксований поріг для нормалізації даних

Експоненційний

Рівномірний

Нормальний

Логарифмічний

Використовувати більше даних для навчання

Використовувати тільки accuracy_score без інших метрик

Ігнорувати балансування класів

Використовувати менше даних для навчання

Таблиця, що показує, скільки об’єктів кожного класу було віднесено до кожного з можливих класів

Результат перетворення LabelEncoder

Вектор, у якому містяться всі опорні вектори

Випадкове переставляння елементів масиву

Фактичні 0 і передбачені 1

Фактичні 0 і передбачені 0

Фактичні 1 і передбачені 1

Фактичні 1 і передбачені 0

LinearSVC оперує лінійною гіперплощиною, тоді як Kernel SVM може проектувати дані в простір вищих вимірів

Лінійний SVM є різновидом дерева рішень

У Kernel SVM відсутній параметр ядра (kernel)

Kernel SVM не може працювати з нелінійно розділеними даними

Recall зросте, але precision може знизитися

AUC ROC стане рівне 1

Recall знизиться, precision зросте

Accuracy завжди збільшиться

Лінійний дискримінантний аналіз (LDA)

Метод опорних векторів із лінійним ядром (LinearSVC)

Логістична регресія (LR)

Метод опорних векторів із RBF-ядерною функцією