解释朴素贝叶斯结果

通过从以下选项中选择此选项,可以获得每个实例的单个预测:

更多选项。。。>输出预测>纯文本

除评估指标外,还将提供以下内容:

=== Predictions on training set ===

 inst#     actual  predicted error prediction
     1       2:no       2:no       0.704 
     2       2:no       2:no       0.847 
     3      1:yes      1:yes       0.737 
     4      1:yes      1:yes       0.554 
     5      1:yes      1:yes       0.867 
     6       2:no      1:yes   +   0.737 
     7      1:yes      1:yes       0.913 
     8       2:no       2:no       0.588 
     9      1:yes      1:yes       0.786 
    10      1:yes      1:yes       0.845 
    11      1:yes      1:yes       0.568 
    12      1:yes      1:yes       0.667 
    13      1:yes      1:yes       0.925 
    14       2:no       2:no       0.652 

这表明第6个实例被错误分类。请注意,即使您在相同的实例上进行训练和测试,也可能由于数据中的不一致而发生错误分类(最简单的示例是有两个具有相同特性但具有不同类标签的实例)。

请记住,上面的测试方法是有偏见的(它有点作弊,因为它可以看到问题的答案)。因此,我们通常感兴趣的是在看不见的数据上得到更真实的模型误差估计。 Cross-validation