Naive贝叶斯分类器的准确度是否有任何百分比可以用来检查我们的分类器的准确度？
通常在机器学习中，人们会考虑特异性与灵敏度来访问分类器的性能。 http://en.wikipedia.org/wiki/Sensitivity_and_specificity
由于通常存在真阳性，误报，真阴性和误报之间的交易，因此决定在您正在查看的特定应用中哪些更重要是很重要的。
这与交叉验证以及可能对决策变量随机化的数据集进行预测相结合，可以为您提供分类器有多好的图片。
请记住，没有预测器性能的简单答案。例如，您要对数据集进行分类，其中99个样本属于A类，其中1个属于B类。分类器构建将所有示例分类为A将具有99％的灵敏度，但仍然不是非常有用。
这是您可以使用的另一个建议。在信息检索中，F-score是一种常用的评估标准，其中F-score包含两个因子。 1. recall = tp /（tp + fn）2。precision = tp /（tp + fp）
（tp =真阳性......等）
F-score =（2 *召回*精度）/（召回+精确度）
正如约翰所说，评价标准因情况而异。例如，在多标签问题中，有些人也可能会考虑汉明损失或排名损失。我认为在大多数单标签案例中，F-score是最受欢迎的一种。