Cos'è l'accuratezza nella matrice di confusione?
Cos'è l'accuratezza nella matrice di confusione?

Video: Cos'è l'accuratezza nella matrice di confusione?

Video: Cos'è l'accuratezza nella matrice di confusione?
Video: Come misurare le prestazioni di un classificatore? Accuratezza e Matrice di Confusione 2024, Maggio
Anonim

UN matrice di confusione è una tecnica per riassumere le prestazioni di un algoritmo di classificazione. Classificazione precisione da solo può essere fuorviante se hai un numero disuguale di osservazioni in ogni classe o se hai più di due classi nel tuo set di dati.

Proprio così, come si fa a trovare l'accuratezza di una matrice di confusione?

Il meglio precisione è 1.0, mentre il peggiore è 0.0. Può anche essere calcolato da 1 – ERR. Precisione è calcolato come il numero totale di due previsioni corrette (TP + TN) diviso per il numero totale di un set di dati (P + N).

Ci si potrebbe anche chiedere, cos'è l'accuratezza bilanciata nella matrice di confusione? In mancanza di un termine migliore, quello che chiamerò "regolare" o "generale" precisione viene calcolato come mostrato a sinistra: la proporzione di esempi correttamente classificati, contando tutte e quattro le celle nel matrice di confusione . Precisione bilanciata è calcolato come la media della proporzione corretta di ciascuna classe individualmente.

Tenendo presente questo, cosa ti dice una matrice di confusione?

UN matrice di confusione è una tabella che viene spesso utilizzata per descrivere le prestazioni di un modello di classificazione (o "classificatore") su un insieme di dati di test per i quali i valori veri sono conosciuto. Consente la visualizzazione delle prestazioni di un algoritmo.

Che cos'è la matrice di confusione del richiamo?

Visualizzazione di precisione e Richiamare Il primo è il matrice di confusione che è utile per calcolare rapidamente la precisione e richiamare date le etichette previste da un modello. UN matrice di confusione per la classificazione binaria mostra i quattro diversi risultati: vero positivo, falso positivo, vero negativo e falso negativo.

Consigliato: