Was ist Genauigkeit in der Konfusionsmatrix?
Was ist Genauigkeit in der Konfusionsmatrix?

Video: Was ist Genauigkeit in der Konfusionsmatrix?

Video: Was ist Genauigkeit in der Konfusionsmatrix?
Video: Confusion Matrix ganz einfach erklärt | Künstliche Intelligenz 2024, November
Anonim

EIN Verwirrung Matrix ist eine Technik zum Zusammenfassen der Leistung eines Klassifizierungsalgorithmus. Einstufung Richtigkeit allein kann irreführend sein, wenn Sie in jeder Klasse eine ungleiche Anzahl von Beobachtungen haben oder wenn Ihr Datensatz mehr als zwei Klassen enthält.

Wie findet man die Genauigkeit einer Konfusionsmatrix?

Das beste Richtigkeit ist 1,0, während das Schlimmste 0,0 ist. Es kann auch sein berechnet um 1 – ERR. Genauigkeit ist berechnet als Gesamtzahl von zwei korrekten Vorhersagen (TP + TN) geteilt durch die Gesamtzahl eines Datensatzes (P + N).

Man kann sich auch fragen, was ist eine ausgewogene Genauigkeit in einer Konfusionsmatrix? In Ermangelung eines besseren Begriffs nenne ich das, was ich "normal" oder "gesamt" nenne. Richtigkeit wird wie links gezeigt berechnet: der Anteil der richtig klassifizierten Beispiele, wobei alle vier Zellen im Verwirrung Matrix . Ausgewogene Genauigkeit wird als Durchschnitt der Anteilskorrekturen jeder einzelnen Klasse berechnet.

Was sagt Ihnen eine Verwirrungsmatrix vor diesem Hintergrund?

EIN Verwirrung Matrix ist eine Tabelle, die häufig verwendet wird, um die Leistung eines Klassifikationsmodells (oder „Klassifikators“) für eine Reihe von Testdaten zu beschreiben, für die die wahren Werte sind bekannt. Es ermöglicht die Visualisierung der Leistung eines Algorithmus.

Was ist eine Rückrufverwirrungsmatrix?

Visualisierung von Präzision und Abrufen Als erstes ist die Verwirrung Matrix was für die schnelle Berechnung der Genauigkeit nützlich ist und abrufen die vorhergesagten Labels aus einem Modell gegeben. EIN Verwirrung Matrix für die binäre Klassifizierung zeigt die vier verschiedenen Ergebnisse: richtig positiv, falsch positiv, richtig negativ und falsch negativ.

Empfohlen: