中国大学MOOC: 假设测试数据集中共计有70个正类样本，30个负类样本。且某次分类结果如下表所示（表中各项的含义如表下方的注释所示）。则分类的召回率是 （要求：用小数表示，且保留小数点后两位）。实际类别预测类别正例负例总计正例TP=40FN=30P(实际为正例)=70负例FP=10TN=20N(实际为负例)=30表中数据项的含义：True positives(TP): 被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数（样本数）；False negatives(FN):被错误地划分为负例的个数，即实际为正例但被分类器划分为负例的实例数；False positives(FP): 被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的实例数；Truenegatives(TN):被正确地划分为负例的个数，即实际为负例且被分类器划分为负例的实例数。
0.57
举一反三
- 使用一对多方法将N个分类任务进行求解的策略方法描述正确的是（ ） A: 如果测试结果有多个正例相近的分类器，则判断结果的置信度，置信度小的分类别作为最终分类器 B: 指将N个分类任务进行M次划分，每次将一部分类划分为正类，另一部分类划分为反类。 C: 使用N个分类器分别进行测试，测试结果正例最小的一个为所求解的分类器。 D: 训练时依次把某个类别的样本归为一类，其他剩余的样本归为另一类，可以概括为自己一类为正例，其余类为负例，N个分类任务将产生N个分类器。
- 一个数据集的正例和负例数都是8,那么信息量是多少?() A: 0 B: 1 C: 0.5
- 按课例研究的深度分类，可将课例分为()课例、经验型课例和理论型课例。
- 人工神经网络在学习过程中，需要通过数据集进行训练。下列关于训练数据集描述正确的是（）我们经常会需要一个样本集，它既有正例也有反例，那些支持这个结论的就是正例，不支持就是反例。 A: 只有正样本 B: 既要有负样本、又要有正样本 C: 只有负样本 D: 当负样本训练出来的结果一样也是负样本，那么可以不用调节参数模型
- 下面指标中，能够度量分类器对正例和负例识别能力的是？（ ） A: 错误率 B: 正确度 C: 精度 D: 灵敏度和特效度
内容
- 0
把原来的正类预测成正类（TP），把原来的正类预测为负类（FN），把负类预测为正类（FP），将负类预测为负类（TN）,召回率定义：R=TP/（TP+FN），如果有60个正样本，40个负样本，算法预测有50个正样本，其中只有40个是真正的正样本，则R=（） A: 4/5 B: 1/3 C: 1/2 D: 2/3
- 1
一个正例(2,3),一个负例(0,-1),下面哪个是SVM超平面?( ) A: 2x+y-4=0 B: 2y+x-5=0 C: x+2y-3=0 D: 无法计算
- 2
“校勘通例”分为误字例、脱文例、____例、____例和错简例。
- 3
假设某分类器在一个测试数据集上的分类结果的混淆矩阵如下所示，请计算该分类器的错误率，以类别yes为正例，计算分类器的查准率precision为 %。【保留到整数位】 PredictedyesnoActualyes155no1020
- 4
在分类学习任务中，可以增加一些正例解决类别不平衡问题。（ ）