Vad är noggrannhet i förvirringsmatris?
Vad är noggrannhet i förvirringsmatris?

Video: Vad är noggrannhet i förvirringsmatris?

Video: Vad är noggrannhet i förvirringsmatris?
Video: Confusion Matrix Solved Example Accuracy Precision Recall F1 Score Prevalence by Mahesh Huddar 2024, Maj
Anonim

A förvirringsmatris är en teknik för att sammanfatta prestandan hos en klassificeringsalgoritm. Klassificering noggrannhet enbart kan vara missvisande om du har ett ojämnt antal observationer i varje klass eller om du har fler än två klasser i din datauppsättning.

Bara så, hur hittar du noggrannheten i en förvirringsmatris?

Det bästa noggrannhet är 1,0, medan det sämsta är 0,0. Det kan det också vara beräknad med 1 – ERR. Noggrannhet är beräknad som det totala antalet av två korrekta förutsägelser (TP + TN) dividerat med det totala antalet av en datauppsättning (P + N).

Man kan också fråga sig, vad är balanserad noggrannhet i förvirringsmatris? I brist på en bättre term, vad jag kallar "vanlig" eller "övergripande" noggrannhet beräknas som visas till vänster: andelen exempel korrekt klassificerade, med alla fyra cellerna i förvirringsmatris . Balanserad noggrannhet beräknas som medeltalet av andelen korrekta för varje klass individuellt.

Med tanke på detta, vad säger en förvirringsmatris dig?

A förvirringsmatris är en tabell som ofta används för att beskriva prestandan för en klassificeringsmodell (eller "klassificerare") på en uppsättning testdata för vilka de sanna värdena är känd. Det möjliggör visualisering av prestandan hos en algoritm.

Vad är återkallningsförvirringsmatris?

Visualisera Precision och Återkallelse Först ut är förvirringsmatris vilket är användbart för att snabbt beräkna precision och återkallelse givet de förutsagda etiketterna från en modell. A förvirringsmatris för binär klassificering visar de fyra olika utfallen: sant positivt, falskt positivt, sant negativt och falskt negativt.

Rekommenderad: