性能评估，错误或准确性的最佳标准？

Question

关于使用Weka的鲍鱼数据集的ANN和KNN。

结果为安 正确分类实例3183 76.203％ 正确分类实例994 23.797％ 平均绝对误差0.214 均方根误差0.3349 相对误差绝对值58.6486％

结果为KNN | 正确分类实例3211 76.8734％ 正确分类实例966 23.1266％ 平均绝对误差0.2142 均方根误差0.3361 相对误差绝对值58.7113％

KNN具有测量精度高，但ANN具有低的错误。那么我应该说哪两种算法更好？哪一个更为可取的标准，准确性或错误？我的理解是错误应该以较高的准确度降低。但这里的结果是相反的。为什么这样呢？

Answer 1

答案取决于您是否想将问题视为分类（正如您使用的算法所示）或回归。如果这是一个分类问题，那么你应该只考虑正确/不正确分类实例的百分比。否则，错误。

为了解释，正确分类的实例的百分比只考虑预测是否准确，即预测2而不是1与预测10000不一致。推理是你得到的数据类错误而且阶级之间没有差别的概念。另一方面，对于回归，您预测连续数量和差异的大小。也就是说，如果实际值为1并且预测2，则该模型比预测为10000时好得多。

这样，您可以通过更差的错误或反之亦然获得更好的准确性。会发生什么是你总体上会得到更加正确的预测，但是那些错误的将会进一步恶化。

要使用哪种性能衡量标准取决于您的特定应用。你只关心是否预测了正确的课程，还是关于正确预测的距离？如果后者是这种情况，我会建议使用回归而不是分类模型。