JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Часть II • Введение в TensorFlow.js
3.2.2. Измерение качества работы бинарных 
классификаторов: точность, полнота, 
безошибочность и кривые ROC
В задаче бинарной классификации выдается одно из двух значений: 0/1, да/нет 
и т. д. В более абстрактном смысле речь идет о позитивных и негативных результа­
тах. Возвращая предсказание, наша сеть либо права, либо ошибается, так что суще­
ствует четыре возможных сочетания настоящей метки входного примера данных 
и выданного сетью значения, как демонстрирует табл. 3.1.
Таблица 3.1.
Четыре вида результатов классификации при задаче бинарной классификации
Предсказание
Позитивный
Негативный
Фактический
Позитивный
Истиннопозитивный (TP) Ложнонегативный (FN)
Негативный
Ложнопозитивный (FP)
Истиннонегативный (TN)
Истиннопозитивные и истиннонегативные результаты — те, где модель выдала 
правильное предсказание; ложнопозитивные и ложнонегативные результаты — те, 
где модель ошиблась. Если занести во все четыре ячейки количества, получится 
матрица различий
(confusion matrix). В табл. 3.2 приведена гипотетическая матрица 
различий для нашей задачи обнаружения фишинговых сайтов.
Таблица 3.2.
Матрица различий для гипотетической задачи бинарной классификации
Предсказание
Позитивный
Негативный
Фактический
Позитивный
4
2
Негативный
1
93
В наших гипотетических результатах на примерах для фишинговых сайтов 
правильно идентифицированы четыре фишинговые веб­страницы, пропущено две 
и допущено одно ложное оповещение. Рассмотрим теперь другие распространенные 
метрики, отражающие те же показатели работы модели.
Простейшая из метрик — 
безошибочность
(accuracy). Она количественно отра­
жает долю верно классифицированных примеров данных:
безошибочность = (#TP + #TN) / #примеров_данных = (#TP + #TN) /
(#TP + #TN + #FP + #FN)
В нашем конкретном примере:
безошибочность = (4 + 93) / 100 = 97%
Безошибочность — простой и понятный показатель. Впрочем, иногда он может 
вводить в заблуждение — в задачах бинарной классификации позитивные и не­

---