Icon

Esercizio_​maggio_​2024

Precision e RecallLa precisione per una classe è il numero di veri positivi (cioè il numero di elementi etichettati correttamente comeappartenenti alla classe positiva) diviso per il numero totale di elementi etichettati come appartenenti alla classepositiva (cioè la somma di veri positivi e falsi positivi, che sono elementi etichettati erroneamente comeappartenenti alla classe).Il recall è definito come il numero di veri positivi diviso per il numero totale di elementi che appartengonoeffettivamente alla classe positiva (cioè la somma dei veri positivi e dei falsi negativi, che sono elementi che nonsono stati etichettati come appartenenti alla classe positiva, ma che avrebbero dovuto esserlo). Training SupportVector Machine75 % per training 25 % per testingTraining sulla qualità:bad o goodTraining sulla qualitàwine.csvz-normalize the data with0 mean and standarddeviation of 1Classificazionesui dati di testNode 328Node 329Node 330Node 331Node 332Node 333Node 334Node 336Node 337Node 338Recall e PrecisionNode 340Node 342Node 343Node 344Node 345SVM Learner Partitioning Decision TreePredictor DecisionTree Learner Random ForestLearner Random ForestPredictor CSV Reader Normalizer (PMML) SVM Predictor NormalizerApply (PMML) Scorer Scorer Scorer Table View Column Filter Color Manager Concatenate Concatenate Column Filter Bar Chart Table Creator RowID Joiner RowID Missing Value Precision e RecallLa precisione per una classe è il numero di veri positivi (cioè il numero di elementi etichettati correttamente comeappartenenti alla classe positiva) diviso per il numero totale di elementi etichettati come appartenenti alla classepositiva (cioè la somma di veri positivi e falsi positivi, che sono elementi etichettati erroneamente comeappartenenti alla classe).Il recall è definito come il numero di veri positivi diviso per il numero totale di elementi che appartengonoeffettivamente alla classe positiva (cioè la somma dei veri positivi e dei falsi negativi, che sono elementi che nonsono stati etichettati come appartenenti alla classe positiva, ma che avrebbero dovuto esserlo). Training SupportVector Machine75 % per training 25 % per testingTraining sulla qualità:bad o goodTraining sulla qualitàwine.csvz-normalize the data with0 mean and standarddeviation of 1Classificazionesui dati di testNode 328Node 329Node 330Node 331Node 332Node 333Node 334Node 336Node 337Node 338Recall e PrecisionNode 340Node 342Node 343Node 344Node 345SVM Learner Partitioning Decision TreePredictor DecisionTree Learner Random ForestLearner Random ForestPredictor CSV Reader Normalizer (PMML) SVM Predictor NormalizerApply (PMML) Scorer Scorer Scorer Table View Column Filter Color Manager Concatenate Concatenate Column Filter Bar Chart Table Creator RowID Joiner RowID Missing Value

Nodes

Extensions

Links

Download

To use this workflow in KNIME, download it from the below URL and open it in KNIME:

Download Workflow
Created by: amontana
Created at: 2024-05-25
On NodePit since: 2024-05-28
Last update: 2024-09-18
Created with KNIME version: v5.2.4

Deploy, schedule, execute, and monitor your KNIME workflows locally, in the cloud or on-premises – with our brand new NodePit Runner.

Try NodePit Runner!