Cohens kappa-koefficient är en statistik som används för att mäta interbedömartillförlitlighet för kvalitativa objekt. Det anses generellt vara ett mer robust mått än enkel beräkning av procentöverensstämmelse, eftersom κ tar hänsyn till möjligheten att avtalet inträffar av en slump.
Vad används Cohens kappa till?
Cohens kappa är ett mått som ofta används för att bedöma överenskommelsen mellan två bedömare. Den kan också användas för att bedöma prestandan hos en klassificeringsmodell.
Hur tolkar du Cohens kappa?
Cohen föreslog att Kappa-resultatet skulle tolkas enligt följande: värden ≤ 0 som indikerar ingen överensstämmelse och 0,01–0,20 som ingen till liten, 0,21–0,40 som rättvis, 0,41–0,60 som måttlig, 0,61–0,80 som betydande och 0,81–1,00 som nästan perfekt överensstämmelse.
Vad är Cohens kappa inom maskininlärning?
Cohens Kappa är ett statistiskt mått som används för att mäta tillförlitligheten hos två bedömare som betygsätter samma kvantitet och identifierar hur ofta bedömarna är överens. I den här artikeln kommer vi att lära oss i detalj om vad Cohens kappa är och hur den kan vara användbar i maskininlärningsproblem.
Vad menas med kappavärde?
Värdet på Kappa definieras som. Täljaren representerar diskrepansen mellan den observerade sannolikheten för framgång och sannolikheten för framgång under antagandet om ett extremt dåligt fall.
