MCDMMulti-label Metric
Hamminga zudums
Hamminga zudums mēra nepareizi prognozēto etiķešu daļu daudzetiketešu klasifikācijā. Tas saskaita etiķešu kļūdu skaitu, dalītu ar kopējo etiķešu skaitu, nodrošinot vienkāršu metriku daudzetiketešu problēmām.
Lasīt pilno metodes aprakstu
Tikai dalībniekiem
PieteiktiesPiesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Metožu karte
Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.
Avoti
- Schapire, R. E., & Singer, Y. (2000). BoosTexter: A boosting-based system for text categorization. Machine Learning, 39(2-3), 135-168. DOI: 10.1023/A:1007649029923 ↗
- Tsoumakas, G., & Katakis, I. (2007). Multi-label classification: An overview. International Journal of Data Warehousing and Mining, 3(3), 1-13. DOI: 10.4018/jdwm.2007070101 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Hamming Loss (Multi-label Classification). ScholarGate. https://scholargate.app/lv/model-evaluation/hamming-loss
Kura metode?
Novietojiet šo metodi blakus tās tuvākajām radniecīgajām metodēm un lasiet tās līdzās — bibliotēka noliek grāmatas uz galda; izvēle ir jūsu.
- Džakarda indekssModeļu novērtēšana↔ salīdzināt
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →