性能评估的最佳标准，是错误还是准确？

Question

ANN和KNN在鲍鱼数据集上使用Weka。

ANN正确分类实例的结果3183 76.203 %错误分类实例994 23.797 %平均绝对误差0.214均方根误差0.3349相对绝对误差58.6486 %

KNN结果|正确分类实例3211 76.8734 %分类错误实例966 23.1266 %平均绝对误差0.2142均方根误差0.3361相对绝对误差58.7113 %

KNN具有较高的精度，而ANN具有较低的误差。那么我应该说这两种算法中哪一种更好呢？准确性和误差哪个更可取?我所理解的是误差应该随着精度的提高而减少。但是这里的结果是opposite.Why，是这样的吗？

Answer 1

答案取决于您是否希望将问题视为分类(如您使用的算法所建议的)还是回归。如果这是一个分类问题，那么你应该只考虑正确/不正确分类的实例的百分比。否则，将出现错误。

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10000一样不正确。原因是你把数据的类别搞错了，而且类别之间没有差别的概念。另一方面，对于回归，您可以预测连续的数量和差异的大小。也就是说，如果实际值为1，预测值为2，则该模型比预测值为10000时要好得多。

这样你可以获得更好的准确性和更差的误差，反之亦然。发生的情况是，总体上你得到了更多的正确预测，但错误的预测进一步偏离了目标。

您希望使用哪种性能度量实际上取决于您的特定应用程序。您是否只关心是否预测了正确的类，或者是否还关心到正确预测的距离？如果是后者，我建议使用回归而不是分类模型。