Datawhale 零基础入门心电图心跳信号多分类预测挑战赛-Task 1 赛题理解

Task 1 赛题理解

1 赛题

           时间序列多分类问题(预测4种不同心跳信号的概率)。

2 数据

train.csv

  • id 为心跳信号分配的唯一标识
  • heartbeat_signals 心跳信号序列(数据之间采用“,”进行分隔)
  • label 心跳信号类别(0、1、2、3)
  • Datawhale 零基础入门心电图心跳信号多分类预测挑战赛-Task 1 赛题理解_第1张图片
  • Datawhale 零基础入门心电图心跳信号多分类预测挑战赛-Task 1 赛题理解_第2张图片

test.csv

  • id 心跳信号分配的唯一标识
  • heartbeat_signals 心跳信号序列(数据之间采用“,”进行分隔)
    Datawhale 零基础入门心电图心跳信号多分类预测挑战赛-Task 1 赛题理解_第3张图片
    Datawhale 零基础入门心电图心跳信号多分类预测挑战赛-Task 1 赛题理解_第4张图片
    比赛-多分类预测指标(值越小越好)
    选手需提交4种不同心跳信号预测的概率,选手提交结果与实际心跳类型结果进行对比,求预测的概率与真实值差值的绝对值。
    abs-sum
    Datawhale 零基础入门心电图心跳信号多分类预测挑战赛-Task 1 赛题理解_第5张图片

多分类预测指标(与二分类类似,多分类针对于每一类)
(1)混淆矩阵(Confuse Matrix)
若一个实例是正类,并且被预测为正类,即为真正类TP(True Positive )
若一个实例是正类,但是被预测为负类,即为假负类FN(False Negative )
若一个实例是负类,但是被预测为正类,即为假正类FP(False Positive )
若一个实例是负类,并且被预测为负类,即为真负类TN(True Negative )
第一个字母T/F,表示预测的正确与否;第二个字母P/N,表示预测的结果为正例或者负例。如TP就表示预测对了,预测的结果是正例,那它的意思就是把正例预测为了正例。
(2)准确率(Accuracy)
准确率是常用的一个评价指标,但是不适合样本不均衡的情况,医疗数据大部分都是样本不均衡数据。
(3)精确率(Precision)(查准率简写为P)
是针对预测结果而言的,其含义是在被所有预测为正的样本中实际为正样本的概率在被所有预测为正的样本中实际为正样本的概率,精确率和准确率看上去有些类似,但是是两个完全不同的概念。
精确率代表对正样本结果中的预测准确程度,准确率则代表整体的预测准确程度,包括正样本和负样本。
(4)召回率(Recall)
是针对原样本而言的,其含义是在实际为正的样本中被预测为正样本的概率。

区分精确率和召回率。
假设一共有10篇文章,里面4篇是你要找的。根据你的算法模型,你找到了5篇,但实际上在这5篇之中,只有3篇是你真正要找的。

那么算法的精确率是3/5=60%,也就是你找的这5篇,有3篇是真正对的。算法的召回率是3/4=75%,也就是需要找的4篇文章,你找到了其中三篇。以精确率还是以召回率作为评价指标,需要根据具体问题而定。
(5)F1分数???
(6)宏查准率(macro-P)
计算每个样本的精确率然后求平均值
(7)宏查全率(macro-R)
计算每个样本的召回率然后求平均值
(8)宏F1(macro-F1)
与上面的宏不同,微查准查全,先将多个混淆矩阵的TP,FP,TN,FN对应位置求平均,然后按照P和R的公式求得micro-P和micro-R,最后根据micro-P和micro-R求得micro-F1
(9)微查准率(micro-P)
(10)微查全率(micro-R)
(11)微F1(micro-F1)

Datawhale 零基础入门心电图心跳信号多分类预测挑战赛-Task 1 赛题理解_第6张图片
Datawhale 零基础入门心电图心跳信号多分类预测挑战赛-Task 1 赛题理解_第7张图片

你可能感兴趣的:(时序)