分类中错误率的确切定义是什么？ 为什么 一些研究人员使用错误率而不是准确性来报告他们的结果？ 我正在尝试将文本分类的结果与文献中的其他方法进行比较，但他们使用错误率而不是准确性，我找不到确切的定义/方程来查找我的方法的错误率。
对于分类，您的输出是离散的(就像您将项目放入存储桶一样(，因此准确性有一个非常简单的定义：
准确度 =(# 分类正确(/(# 分类总计(
错误率同样简单：
错误率 = 1 -准确度 = 1 - (# 分类正确(/(# 分类总计(
= (# 分类不正确(/(# 分类总计(
请注意，对于具有连续输出的任务，事情要复杂得多。如果我不是将项目放入桶中，而是要求模型将项目放在数字行上，那么准确性不再是"正确"和"错误">的问题，而是我的模型与正确有多接近的问题。这可能是平均接近度、中位数接近度等。还有更复杂的度量，其主要区别在于它们随着距离的增加而加重的重量。也许偏离一点点比偏离很多要糟糕得多，因此均方根误差测量是合适的。另一方面，无论是偏离一点还是偏离很多，偏差超过一点点可能是可怕的，所以对数误差测量会更好。
回答您问题的最后一部分：在离散情况下，为什么要选择准确性与误差？光学是一回事：">99%准确">发送的心理信息与"错误率为1%">不同。此外，准确度从 99% 提高到 99.9% 会使准确度提高 1%，但误差从 1% 降低到 .1% 是误差降低 90%，即使两者表示相同的现实世界变化。
否则，可能是个人喜好或写作风格。
编辑：您可能也对统计堆栈交换上的这篇文章感兴趣