Leggere le previsioni del modello

Un modello fornisce più di una semplice risposta. Imparare a leggere le sue predictions Le permette di capire non solo cosa ha scelto, ma anche quanto fosse sicuro.

Chiamare predict restituisce la classe più probabile per ogni input. Questa è l'etichetta netta: il modello si impegna per una sola risposta.

Usi predict_proba per vedere la probabilità assegnata a ciascuna classe. Un punteggio di spam pari a 0.95 indica una sicurezza molto maggiore rispetto a un valore limite di 0.51.

Ogni riga delle probabilità somma esattamente a 1. Il modello distribuisce tutta la propria convinzione tra le classi disponibili, né più né meno.

Le colonne delle probabilità seguono l'ordine indicato in classes_. Controlli questo attributo per sapere quale colonna indica spam e quale ham.

Internamente il modello lavora con i logaritmi per evitare l'underflow dei numeri molto piccoli. Il metodo predict_log_proba espone i punteggi logaritmici grezzi, se ne ha bisogno.

Una probabilità alta significa che il modello è sicuro, non che abbia ragione. Naive Bayes può essere eccessivamente sicuro, quindi consideri i suoi numeri con la dovuta cautela.

Non è obbligato a segnalare lo spam a 0.5. Alzare la soglia a 0.8 significa avere meno falsi allarmi, ma lasciare passare qualche messaggio di spam in più.

Individui gli input per i quali il modello era sicuro ma ha sbagliato. Questi errori spesso rivelano parole mancanti o etichette da correggere nei dati.

Con Naive Bayes può elencare le parole che hanno spinto un messaggio verso lo spam. Questa evidenza a livello di parola rende il modello piacevolmente facile da spiegare. 🔎

Le probabilità permettono di ordinare i casi per rischio, affidare quelli incerti a una persona e impostare soglie efficaci. Interpretarle bene trasforma un modello in un vero strumento.

È andato oltre le etichette nette per leggere le probabilità, controllare l'ordine delle classi, regolare le soglie e spiegare le decisioni. È così che si impara a fidarsi di un classificatore. ✅