# 不要使用隨機猜測作為基線分類器 > 原文： [https://machinelearningmastery.com/dont-use-random-guessing-as-your-baseline-classifier/](https://machinelearningmastery.com/dont-use-random-guessing-as-your-baseline-classifier/) 我最近通過電子郵件收到了以下問題： > 嗨，杰森，快速提問。一類失衡：90例豎起大拇指向下10例。在這種情況下，我們如何計算隨機猜測的準確性？ 我們可以使用一些基本概率回答這個問題（我打開了excel并輸入了一些數字）。  不要使用隨機猜測作為您的基線分類器 照片由 [cbgrfx123](https://www.flickr.com/photos/72005145@N00/5600978712) ，保留一些權利。 假設0級和1級的分割是90％-10％。我們也說你會用相同的比例隨機猜測。 隨機猜測兩分類問題的理論精度是： ```py = P(class is 0) * P(you guess 0) + P(class is 1) * P(you guess 1) ``` 我們可以在我們的示例90％-10％分割中測試這個： ```py = (0.9 * 0.9) + (0.1 * 0.1) = 0.82 = 0.82 * 100 or 82% ``` 要檢查數學，您可以插入50％-50％的數據分割，它符合您的直覺： ```py = (0.5 * 0.5) + (0.5 * 0.5) = 0.5 = 0.5 * 100 or 50% ``` 如果我們查看Google，我們會在Cross Validated上找到類似的問題“[不平衡分類問題的機會級準確度是多少？](http://stats.stackexchange.com/questions/148149/what-is-the-chance-level-accuracy-in-unbalanced-classification-problems) “答案幾乎相同。再次，一個很好的確認。 有趣的是，所有這一切都有一個重要的要點。 ## 不要使用隨機猜測作為基線 如果您正在尋找用作基線準確度的分類器，請不要使用隨機猜測。 有一個名為Zero Rule的分類器（或簡稱為0R或ZeroR）。這是您可以在分類問題上使用的最簡單的規則，它只是預測數據集中的多數類（例如[模式](https://en.wikipedia.org/wiki/Mode_(statistics))）。 在上面的例子中，0級和1級的90％-10％，它將為每個預測預測0級，并達到90％的準確率。這比使用隨機猜測的理論最大值好8％。 使用零規則方法作為基線。 此外，在這種不平衡的分類問題中，您應該使用除精度之外的度量，例如Kappa或ROC曲線下的面積。 有關分類問題的替代表現度量的更多信息，請參閱帖子： * [分類準確度不夠：可以使用的更多表現測量](http://machinelearningmastery.com/classification-accuracy-is-not-enough-more-performance-measures-you-can-use/) 有關處理不平衡分類問題的更多信息，請參閱帖子： * [打擊機器學習數據集中不平衡類的8種策略](http://machinelearningmastery.com/tactics-to-combat-imbalanced-classes-in-your-machine-learning-dataset/) 你對這篇文章有任何疑問嗎？在評論中提問。