評価指標入門 〜データサイエンスとビジネスをつなぐ架け橋

サポートページ

 

この記事を読むのに必要な時間：およそ 0.5 分

お詫びと訂正（正誤表）

本書の以下の部分に誤りがありました。ここに訂正するとともに，ご迷惑をおかけしたことを深くお詫び申し上げます。

（2023年2月27日最終更新）

P.255　本文1行目

誤 なぜこの値がTPに等しくなるかというと、分子がTPと等しくなるその理由ですが、分子の数式は
正 なぜこの値がTPに等しくなるかというと、この数式は

P.33　図1.6の散布図の横軸のラベル

誤 Relative Difference Perfpmance
正 Relative Difference Performance

P.42　数式

誤 +その他固定費
正 -その他固定費

P.212　TNの説明

誤 モデルがクラスAだと判定して、実際にクラスAでないケース（TN）
正 モデルがクラスAでないと判定して、実際にクラスAでないケース（TN）

P.219　理解しにくい記述のため修正

誤 Macro ROC-AUCは単純に各クラスのAUCの値の平均をとるため最も高い値になります。しかし、クラスごとのAUCから算出しているわけではなく、前述のMicro の算出方法によってデータ全体で算出しているため、各クラスごとのサンプル数によっては他のどのクラスのAUCよりも高くなるケースがあります。
正 3章で紹介した「予測値を降順に並べ変えたとき、真のクラスがPositiveのデータが上に偏っている」というROC-AUCの特徴を思い出します。データ全体で予測値を降順に並べ変えた場合、予測値の上位には多数派のクラス0とクラス1の両方が多くを占めるため、Micro ROC-AUCが最も高い値になっています。

（以下2023年2月16日更新）

P.123　本文

誤 レコメンドと情報検索を例に考えていきましょう。
正 レコメンドを例に考えていきましょう。

「と情報検索」が不要です。

P.129　本文

誤 1.8節で前述した通り
正 3.7節で前述した通り

P.240　URL

誤 https://scikit-learn.org/stable/auto_examples/model_selection/plot_roc.html
正 https://scikit-learn.org/1.1/auto_examples/model_selection/plot_roc.html

（以下2023年2月15日更新）

P.73　ディレクトリ構造

誤 
Evaluation_for_binary_classifications.ipynb
正 
Evaluation_for_regression.ipynb

P.191 コードブロック2行目（plot_confusion_matrixではなく，confusion_matrix）

誤 
import matplotlib.pyplot as plt
from sklearn.metrics import  plot_confusion_matrix
from sklearn.model_selection import train_test_split
正 
import matplotlib.pyplot as plt
from sklearn.metrics import confusion_matrix
from sklearn.model_selection import train_test_split